A continuaciónSiguiente guía
Detección de nódulos pulmonares mediante IA
IA visual
GUÍA visual de IA
IA en la detección de pólipos por colonoscopia
La detección de pólipos por IA, llamada detección asistida por computadora o CADe, observa el video de la colonoscopia en vivo y dibuja un cuadro alrededor de los posibles pólipos en una fracción de segundo para que el endoscopista pueda inspeccionarlos.
Escuche esta guíaNarrado por IA · ~3 min
En esta pagina4 minutos de lectura
Descripción general
Es importante porque los pólipos precancerosos que se pasan por alto pueden convertirse en cáncer colorrectal, y los ensayos aleatorios muestran que CADe aumenta la tasa de detección de adenomas, aunque quedan dudas sobre qué pólipos encuentra y si los médicos pierden habilidad.
Buceo profundo
El cáncer colorrectal generalmente se desarrolla a partir de adenomas, un tipo de pólipo. La medida de calidad clave para la colonoscopia es la tasa de detección de adenomas (ADR): la proporción de procedimientos de detección en los que se encuentra al menos un adenoma. Un estudio de 2014 ampliamente citado en el New England Journal of Medicine relacionó una mayor RAM del endoscopista con un menor riesgo de que aparezcan cánceres entre exámenes de detección, aproximadamente una reducción del 3 por ciento en el riesgo por cada aumento de 1 punto porcentual en la RAM. Los sistemas CADe se conectan al procesador de vídeo de endoscopia y analizan cada cuadro. Cuando el modelo detecta un pólipo probable, superpone un cuadro, a menudo con un sonido. GI Genius de Medtronic se convirtió en el primer dispositivo CADe autorizado por la FDA, en 2021; otros incluyen Olympus ENDO-AID, Fujifilm CAD EYE y Wision EndoScreener. Muchos ensayos aleatorios y metanálisis muestran que CADe aumenta la RAM y los adenomas encontrados por colonoscopia. Las ganancias se producen principalmente en adenomas pequeños y diminutos de menos de 5 mm, que tienen un menor riesgo de cáncer que las lesiones avanzadas más grandes o planas. CADe también aumenta la extirpación de pólipos no neoplásicos, lo que aumenta el costo de la patología y el tiempo del procedimiento. Algunos estudios no aleatorios del mundo real han encontrado mejoras menores o nulas, posiblemente porque los endoscopistas que participan en los ensayos saben que se están midiendo. La descalificación es una preocupación creciente. Un estudio observacional de Polonia realizado en 2025 informó que la RAM de los endoscopistas en procedimientos realizados sin IA disminuyó después de haber estado usando IA de forma rutinaria, lo que sugiere que la dependencia puede afectar la vigilancia sin ayuda. Ese estudio no fue aleatorio y no resuelve la cuestión, pero muestra la necesidad de monitorear las habilidades. Un error común es creer que CADe mejora la detección al ver lo que los humanos no pueden ver. Gran parte de su beneficio es detectar pólipos que eran visibles en la pantalla pero que no se notaban. No puede ayudar con la mucosa que la cámara nunca muestra, por lo que la preparación intestinal y la técnica de extracción cuidadosa siguen siendo importantes.
Implementación en el mundo real
Durante una colonoscopia de detección, aparece un cuadro verde alrededor de una lesión plana de 4 mm escondida detrás de un pliegue, y el endoscopista lava el área, mira más de cerca y la extirpa.
Un hospital realiza un seguimiento de la tasa de detección de adenomas de cada endoscopista antes y después de instalar un sistema CADe para ver si la herramienta cambia el rendimiento en el mundo real.
Un endoscopista aprende a ignorar los cuadros repetidos provocados por burbujas, heces o el borde del pliegue, que son falsas alarmas comunes que añaden segundos al procedimiento.
Una unidad combina CADe con una herramienta de diagnóstico asistido por computadora separada que sugiere si un pólipo diminuto parece adenomatoso o hiperplásico, informando si se debe enviar a patología.
El futuro de la IA en la detección de pólipos por colonoscopia
Es probable que CADe se convierta en una característica estándar de los procesadores de video para endoscopia, lo que puede hacer que el costo sea una barrera menor. La pregunta sin respuesta es si una ADR más alta proveniente de adenomas en su mayoría pequeños se traduce en menos cánceres de intervalo y muertes; que requiere largos estudios de seguimiento. La investigación avanza hacia sistemas que también miden la calidad de la extracción y la cantidad de mucosa que se ha observado, abordando los puntos ciegos que CADe no puede. Las sociedades profesionales han sido cautelosas en sus orientaciones debido al costo y al beneficio incierto a largo plazo. Monitorear el desempeño sin ayuda y los programas de capacitación que preserven las habilidades probablemente serán tan importantes como la precisión del modelo.
Poniéndolo en práctica
Por qué es importante
- Velocidad y escala. La IA visual puede automatizar tareas de inspección, detección y etiquetado a escala.
- Construir opciones. Los equipos creativos pueden crear prototipos de conceptos más rápido y con menos revisiones manuales.
- Equipo y flujo de trabajo. Las operaciones pueden utilizar señales de imagen y vídeo que antes eran difíciles de procesar.
cuidado con
- Los derechos de imagen y el consentimiento pueden convertirse en riesgos legales si la procedencia no está clara.
- El rendimiento del modelo puede variar según la iluminación, la demografía y los entornos.
- Los falsos positivos pueden pasar desapercibidos a menos que se controlen los umbrales de confianza.
Próximos pasos
- Defina criterios de aceptación para costos de precisión, recuperación y error.
- Pruebe con datos que coincidan con las condiciones reales de producción.
- Agregue revisión humana para predicciones de baja confianza o de alto impacto.
- Realice un seguimiento de la deriva del modelo y vuelva a validarlo después de cambios en la cámara o el conjunto de datos.
Sigue explorando
Boletín gratuito
Recibe el resumen diario de IA
Tres noticias verificadas sobre IA cada mañana de lunes a viernes, explicadas con claridad. Gratis para siempre y sin anuncios.
Un correo cada día laborable. Date de baja con un clic. Nunca vendemos ni compartimos tu dirección.
Ponte a prueba
Take the AI in Colonoscopy Polyp Detection quiz
Corrección inmediata en cada respuesta y un certificado para compartir, con un ID verificable, cuando apruebas un curso.
Apoya la educación gratuita sobre IA. AI Understanding es una organización sin fines de lucro 501(c)(3): sin anuncios ni muros de pago, nunca. Hacer una donación
Preguntas frecuentes
¿Qué es la IA en la detección de pólipos por colonoscopia?
La detección de pólipos por IA, llamada detección asistida por computadora o CADe, observa el video de la colonoscopia en vivo y dibuja un cuadro alrededor de los posibles pólipos en una fracción de segundo para que el endoscopista pueda inspeccionarlos. Es importante porque los pólipos precancerosos que se pasan por alto pueden convertirse en cáncer colorrectal, y los ensayos aleatorios muestran que CADe aumenta la tasa de detección de adenomas, aunque quedan dudas sobre qué pólipos encuentra y si los médicos pierden habilidad.
¿Cómo se define la tasa de detección de adenomas?
La ADR es la medida clave de calidad de la colonoscopia y cuenta la proporción de procedimientos de detección que encuentran uno o más adenomas.
¿Con qué vinculó el estudio del New England Journal of Medicine de 2014 la ADR más alta de los endoscopistas?
El estudio encontró aproximadamente una reducción del 3 por ciento en el riesgo de cáncer de intervalo por cada aumento de 1 punto porcentual en la RAM.
¿Qué dispositivo se convirtió en el primer sistema CADe autorizado por la FDA en 2021?
GI Genius fue el primer dispositivo CADe para colonoscopia autorizado por la FDA; los demás también se utilizan en varios mercados.
¿Qué tipo de pólipos representan la mayoría de las detecciones adicionales de CADe en los ensayos?
Los avances se producen principalmente en adenomas pequeños, que conllevan un menor riesgo de cáncer, razón por la cual todavía se está estudiando el vínculo con menos muertes.
¿Por qué los sistemas CADe requieren que una detección persista en varios fotogramas antes de alertar?
La persistencia temporal filtra artefactos momentáneos, intercambiando un poco de velocidad por menos alertas que distraigan.
sigue aprendiendo
Guías relacionadas
Más guías seleccionadas para este tema.