Cribado del cáncer de pulmón: LungAI afina la clasificación Lung-RADS en el ensayo NLST, pero con una sola cohorte, un modelo cerrado y un estudio dirigido por su desarrollador
Una start-up estadounidense, Oatmeal Health, probó su modelo de aprendizaje profundo LungAI en 2 747 tomografías de cribado de cáncer de pulmón del ensayo NLST, para saber si aporta información que Lung-RADS, un sistema de clasificación basado en el tamaño y el aspecto de los nódulos, no capta. El modelo ordena mejor los nódulos malignos que el tamaño por sí solo o que el modelo público Sybil y, combinado con Lung-RADS, reduciría aproximadamente a la mitad los cánceres remitidos a un control al cabo de un año. La señal es seria, pero descansa en una sola cohorte de los años 2000, un modelo propietario cuyos datos de entrenamiento no se describen y un estudio financiado, diseñado y en parte anotado por la propia empresa.
El contexto
El cribado del cáncer de pulmón con tomografía de baja dosis (LDCT) en grandes fumadores reduce la mortalidad, pero encuentra muchísimos nódulos, en su gran mayoría benignos. Para decidir qué hacer con cada uno, los radiólogos estadounidenses usan Lung-RADS, un sistema publicado por el American College of Radiology (versión 2022). Asigna a cada examen una categoría, de 2 (control en un año) a 4B/4X (estudio invasivo, a menudo biopsia), sobre todo según el tamaño del nódulo, su aspecto (sólido, parcialmente sólido, en vidrio deslustrado) y su evolución.
Esta lógica tiene un defecto conocido: cánceres pequeños esperan doce meses y nódulos benignos grandes llevan a biopsias innecesarias. Varios modelos de IA ya estiman el riesgo directamente a partir de la imagen, entre ellos el de Google (Ardila et al., Nature Medicine, 2019) y Sybil (MIT y Mass General, 2023), un modelo público que predice el riesgo de cáncer a uno a seis años. La pregunta aquí: ¿aporta la IA algo a Lung-RADS, y qué pasaría si se usara para mover a los pacientes un escalón en la escala de manejo?
El método
LungAI es un modelo bloqueado (sus parámetros ya no cambian durante la evaluación) de ayuda al diagnóstico, o CADx. Asigna a cada nódulo una puntuación de 0 a 10 y a cada examen la puntuación máxima de sus nódulos. Los nódulos no los detecta LungAI sino un software de terceros ya autorizado por la FDA, aView LCS de Coreline, que también los mide y los empareja entre exámenes. El artículo no describe ni la arquitectura de la red ni sus datos de entrenamiento: ni su origen ni su volumen. Los autores solo afirman que la partición de prueba nunca se usó para desarrollar LungAI ni Sybil.
Esa partición es el conjunto de prueba del NLST definido por Ardila et al., el mismo en el que se publicó Sybil. De 4 872 exámenes con al menos un nódulo detectado, los autores excluyen 164 exámenes en los que el nódulo canceroso no era visible, 257 con cortes de más de 2,5 mm y 1 704 sin nódulo sólido o parcialmente sólido de 4 a 30 mm. Quedan 2 747 exámenes de 1 244 pacientes, con 89 cánceres confirmados por anatomía patológica, una prevalencia del 3,2 %. La población es la del NLST: edad mediana de 61 años, 62 % de hombres, 93,2 % de pacientes blancos, tomógrafos de 2002 a 2004.
Los comparadores son el diámetro del nódulo, su volumen y Sybil (riesgo a un año, el horizonte más favorable para él). Para comparar con Lung-RADS hacían falta categorías: un único radiólogo, ciego a la puntuación de LungAI y al desenlace, las asignó en un subconjunto enriquecido en cánceres de 226 exámenes elegibles (78 cánceres, 148 benignos). Como este subconjunto contiene el 87,6 % de los cánceres pero solo el 5,6 % de los exámenes benignos, cada examen benigno «pesa» unos 18 exámenes de la cohorte completa. Las métricas principales son el AUROC (área bajo la curva ROC, probabilidad de que un cáncer obtenga una puntuación mayor que un nódulo benigno) y el AUPRC (área bajo la curva precisión-exhaustividad, más exigente cuando los cánceres son raros: un modelo que adivinara al azar obtendría aquí cerca de 0,03).
Por último, un algoritmo de reclasificación mueve a cada paciente un escalón hacia arriba o hacia abajo en la escala de manejo de Lung-RADS (control a 12 meses, a 6 meses, a 3 meses o PET-TC, biopsia), según umbrales de puntuación fijados por categoría.
Los resultados
En métricas de ML, LungAI alcanza un AUROC de 0,92 (intervalo de confianza del 95 %: 0,88-0,95) y un AUPRC de 0,47 (0,35-0,61). Sybil obtiene 0,85 y 0,25, el diámetro 0,78 y 0,13, el volumen 0,79 y 0,12; todas las diferencias con LungAI son significativas. Frente a Lung-RADS, en el subconjunto ponderado, el panorama es más matizado: Lung-RADS tiene un AUROC de 0,89, una diferencia de solo 0,03 (-0,04 a 0,10), no significativa (p = 0,20); la diferencia de AUPRC, de 0,31, sí es significativa (p = 0,003). Añadida a un modelo de diámetro, la puntuación eleva el AUROC en 0,10: no se limita a medir el tamaño. El rendimiento es menor en los cánceres de estadio II o superior (AUROC 0,83, frente a 0,95 en el estadio I). No se presenta ningún análisis de calibración.
Traducción clínica, tal como la proyectan los autores por cada 1 000 exámenes con nódulo (unos 32 cánceres): con Lung-RADS solo, 3,1 cánceres se remitirían a un control en un año; con LungAI, 1,6. Los cánceres enviados directamente a toma de muestra pasarían de 18,3 a 23,9, y las biopsias en pacientes sin cáncer bajarían de 32,7 a 26,2, es decir, 6,5 biopsias innecesarias menos, con un número total de biopsias casi sin cambios (51,0 frente a 50,1). En la modelización, con adherencia perfecta, esto supondría un acumulado de 25 meses de adelanto diagnóstico y unos 2 200 dólares de ahorro por cada 1 000 exámenes, apenas algo más de 2 dólares por examen.
Lo que está bien
Primero, un protocolo de evaluación legible y comparable. El modelo está bloqueado, la partición de prueba es la ya usada para Sybil y los autores siguen la guía de publicación STARD 2015. El comparador principal, Sybil, es público y se ejecuta de nuevo sobre los mismos exámenes, con el horizonte más favorable para él. Informar el AUPRC con un 3,2 % de prevalencia es una buena práctica todavía demasiado rara.
Segundo, una pregunta clínica planteada en el lugar adecuado. En lugar de proponer una puntuación más junto a Lung-RADS, los autores la insertan en la escala existente, moviendo a los pacientes solo un escalón, y expresan los efectos en cánceres que quedan en espera y biopsias evitadas por cada 1 000 exámenes. Un análisis de sensibilidad que multiplica todos los umbrales por un factor de 0,5 a 2 muestra que la ganancia en los cánceres (índice neto de reclasificación entre +0,16 y +0,27) no depende de un ajuste fino.
Tercero, una transparencia real sobre conflictos de interés y limitaciones: participaciones en el capital, papel de asesor remunerado del radiólogo anotador, estatus no autorizado de LungAI (solicitud 510(k) en curso), carácter descriptivo de los análisis por estadio.
Lo que está menos bien
Primero, un sesgo de población difícil de sortear. Todo descansa en una sola cohorte, el NLST, con tomógrafos de hace más de veinte años, un 93,2 % de pacientes blancos y solo cuatro cánceres en pacientes no blancos, lo que hace ininterpretable el análisis por origen, como reconocen los autores. Se excluyen los nódulos en vidrio deslustrado y los exámenes de cortes gruesos, así como 164 exámenes en los que el cáncer no era visible en la tomografía índice.
Segundo, una métrica frágil detrás de las cifras más llamativas. La comparación con Lung-RADS y toda la reclasificación se basan en 148 exámenes benignos anotados, cada uno ponderado por unos 18. Según nuestro cálculo, un examen benigno equivale así a unos 6,5 exámenes por cada 1 000: la bajada de 32,7 a 26,2 biopsias innecesarias, presentada como una reducción del 20 %, corresponde aproximadamente al desplazamiento neto de un solo examen benigno anotado. Además, los umbrales llamados «fijados a priori» se eligieron para coincidir con el rendimiento de Lung-RADS estimado en ese mismo subconjunto, extraído de la partición de prueba. Esto debilita la independencia de la evaluación. Por último, la diferencia de AUROC con Lung-RADS no es significativa.
Tercero, conflictos de interés estructurales y un modelo inverificable. El estudio lo financia Oatmeal Health, cuyos empleados diseñaron el análisis, interpretaron los resultados y decidieron publicar; siete autores tienen participaciones en la empresa. El único radiólogo que asignó las categorías Lung-RADS, referencia de comparación, es asesor remunerado de la compañía. El modelo es propietario, sus datos de entrenamiento no se describen y el código de análisis solo está disponible «previa solicitud razonable». En estas condiciones es imposible descartar una fuga de datos (data leakage) indirecta, por ejemplo otros exámenes de los mismos pacientes del NLST usados en el entrenamiento, o reproducir los resultados.
Lo que cambia
Para la comunidad investigadora: este trabajo propone un marco útil, medir la aportación de un modelo no en AUROC bruto sino en el desplazamiento de pacientes sobre una escala de manejo existente. El siguiente paso lógico es una validación externa en cohortes de cribado recientes y diversas, con varios lectores independientes de Lung-RADS y acceso al modelo para equipos sin vínculos con la empresa.
Para los clínicos: hoy no cambia nada; el dispositivo no está autorizado. El mensaje es más bien que, dentro de una misma categoría Lung-RADS, el riesgo real varía mucho: en la categoría 4A, la proporción de cánceres va del 1,0 % por debajo del umbral bajo de LungAI al 46,2 % por encima del umbral alto. Si este gradiente se confirma en otros contextos, una puntuación así podría ayudar a clasificar los nódulos intermedios.
Para los pacientes y el público: lo que está en juego es concreto, pero las ganancias anunciadas son modestas en valor absoluto (unos 1,5 cánceres menos en espera por cada 1 000 exámenes con nódulo) y se basan en proyecciones. Una puntuación de IA presentada como «biomarcador» todavía debe demostrar su valor fuera de la cohorte en la que la evaluó su propio desarrollador.
Para saber más
El preprint: LungAI: An AI Biomarker that Refines Lung-RADS v2022 Triage of Screen-Detected Pulmonary Nodules, Suri et al., medRxiv, publicado el 10 de noviembre de 2026, DOI 10.64898/2026.11.09.26367662. Sin revisión por pares.
Sybil: Mikhael et al., Journal of Clinical Oncology, 2023 (código público). Partición de prueba del NLST: Ardila et al., Nature Medicine, 2019. Datos del NLST: Cancer Data Access System del National Cancer Institute. Lung-RADS v2022: American College of Radiology.
Nota de transparencia editorial: este artículo fue producido por la cadena editorial automatizada de Tatakoto a partir de la versión 1 del preprint; no se pudieron consultar los anexos (tablas y figuras suplementarias). El peso de un examen benigno por cada 1 000 exámenes es un cálculo nuestro a partir de las ponderaciones publicadas. Las versiones en inglés, español y chino han sido generadas por IA. ¿Un error? Contáctenos.