Palabras clave
Diagnóstico por imagen
Cáncer
Cómo citar
Copyright © | Todos los derechos reservados.
La revista posee los derechos de autor exclusivos para la publicación de este artículo en los términos de la ley brasileña 9610/98.
Reproducción parcial
El uso de partes de los textos, figuras y cuestionario del artículo es libre, siendo obligatoria la citación de los autores y revista.
Reproducción total
Está expresamente prohibido y debe ser autorizado por la revista.
Resumen
Objetivo: Describir la aplicabilidad de la inteligencia artificial en el ámbito médico, específicamente en el diagnóstico por imagen. Métodos: Se trata de una revisión integradora de la literatura, con un enfoque cualitativo y descriptivo, basada en estudios publicados entre enero de 2020 y mayo de 2025. La estrategia de búsqueda siguió el modelo PICO, enfocándose en pacientes con cáncer y el uso de la inteligencia artificial en el diagnóstico por imagen. Las búsquedas se realizaron en las bases de datos PubMed y Cochrane Library. Se incluyeron estudios originales publicados en inglés, portugués o español, en revistas científicas revisadas por pares. Se excluyeron revisiones, tesis, disertaciones y artículos que no abordaban directamente el tema. La selección de los estudios se realizó en tres etapas: lectura de títulos, resúmenes y textos completos, seguida de la evaluación metodológica basada en los criterios del Oxford Centre for Evidence-Based Medicine. Resultados: La inteligencia artificial mostró un rendimiento variable según el contexto médico, pero evidenció una reducción en los falsos positivos y una mayor tasa de detección de pólipos y neoplasias. Su aplicación contribuyó a una mayor precisión diagnóstica, especialmente entre profesionales menos experimentados. Consideraciones finales: La IA presenta un gran potencial para mejorar el diagnóstico oncológico por imagen, especialmente en la detección temprana, aunque su eficacia depende del contexto clínico específico.
Referencias
AHMAD A, et al. Evaluation of a real-time computer-aided polyp detection system during screening colonoscopy: AI-DETECT study. Endoscopy, 2023; 55: 313–319.
CUI H, et al. Diagnosing solid lesions in the pancreas with multimodal artificial intelligence: A randomized crossover trial. JAMA Network Open, 2024; 7(7): e2422454.
DEMBROWER K, et al. Artificial intelligence for breast cancer detection in screening mammography in Sweden: a prospective, population-based, paired-reader, non-inferiority study. Lancet Digital Health, 2023; 5(10): e703–e711.
DENG R, et al. Comparison of MRI artificial intelligence-guided cognitive fusion-targeted biopsy versus routine cognitive fusion-targeted prostate biopsy in prostate cancer diagnosis: a randomized controlled trial.
Revista Eletrônica Acervo Saúde, 2024; 22: e3742.
DJINBACHIAN R, et al. Autonomous artificial intelligence vs artificial intelligence–assisted human optical diagnosis of colorectal polyps: a randomized controlled trial. Revista Eletrônica Acervo Saúde, 2024; 167(2): e1044.
ESKREIS-WINKLER S, et al. Using deep learning to improve nonsystematic viewing of breast cancer on MRI. Journal of Breast Imaging, 2021; 3(2): 201–207.
HERNSTRÖM V, et al. Screening performance and characteristics of breast cancer detected in the Mammography Screening with Artificial Intelligence trial (MASAI). Lancet Digital Health, 2025; 7: e175–83.
KIM S, et al. Pivotal clinical study to evaluate the efficacy and safety of assistive artificial intelligence-based software for cervical cancer diagnosis. Journal of Clinical Medicine, 2023; 12: 4024.
LAZĂR DC, et al. The impact of artificial intelligence in the endoscopic assessment of premalignant and malignant esophageal lesions: Present and future. Medicina, 2020; 56(7): 364.
LUI TKL, et al. Endocuff with or without artificial intelligence-assisted colonoscopy in detection of colorectal adenoma: A randomized colonoscopy trial. American Journal of Gastroenterology, 2024; 119: 1318–1325.
MIYOSHI H, et al. Deep learning shows the capability of high-level computer-aided diagnosis in malignant lymphoma. Laboratory Investigation, 2020; 100(10): 1300–1310.
NAKASHIMA H, et al. Clinical evaluation of computer-aided colorectal neoplasia detection using a novel endoscopic artificial intelligence: a single-center randomized controlled trial. Revista Eletrônica Acervo Saúde, 2023; 104(3): e2085.
NIIKURA R, et al. Artificial intelligence versus expert endoscopists for diagnosis of gastric cancer in patients who have undergone upper gastrointestinal endoscopy. Revista Eletrônica Acervo Saúde, 2022; 54: 780–784.
PARK DK, et al. A prospective multicenter randomized controlled trial on artificial intelligence assisted colonoscopy for enhanced polyp detection. Scientific Reports, 2024; 14: 25453.
RONDONOTTI E, et al. Artificial intelligence-assisted optical diagnosis for the resect-and-discard strategy in clinical practice: the Artificial intelligence BLI Characterization (ABC) study. Revista Eletrônica Acervo Saúde, 2023; 55: 14–22.
SAHA A, et al. Artificial intelligence and radiologists in prostate cancer detection on MRI (PI-CAI): an international, paired, non-inferiority, confirmatory study. Lancet Oncology, 2024; 25(7): 879–887.
SALIM M, et al. AI-based selection of individuals for supplemental MRI in population-based breast cancer screening: the randomized ScreenTrustMRI trial. Nature Medicine, 2024; 30(9): 2623–2630.
SOUZA MT, et al. Revisão integrativa: o que é e como fazer. Einstein, 2010; 8(1 Pt 1): 102–6.
VAN DOOIEJWEERT C, et al. Clinical implementation of artificial-intelligence-assisted detection of breast cancer metastases in sentinel lymph nodes: the CONFIDENT-B single-center, non-randomized clinical trial. Revista Eletrônica Acervo Saúde, 2024; 5(8): e788.
VAN ZELST JCM, et al. Validation of radiologists’ findings by computer-aided detection (CAD) software in breast cancer detection with automated 3D breast ultrasound. Acta Radiologica, 2020; 61(3): 312–320.
WALLACE MB, et al. Impact of artificial intelligence on miss rate of colorectal neoplasia. Gastroenterology, 2022; 163: 295–304.
WARIN K, et al. Automatic classification and detection of oral cancer in photographic images using deep learning algorithms. Revista Eletrônica Acervo Saúde, 2021; 50: 911–918.
XU L, et al. Artificial intelligence-assisted colonoscopy: a prospective, multicenter, randomized controlled trial of polyp detection. Revista Eletrônica Acervo Saúde, 2021; 10: 7184–7193.
ZHANG L, et al. Artificial intelligence algorithm-based ultrasound image segmentation technology in the diagnosis of breast cancer axillary lymph node metastasis. Journal of Healthcare Engineering, 2021; Article ID 5591436.