Development and Validation of a Feature-Prompted Deep Learning System for Diagnosing Chronic Atrophic Gastritis Under White-Light Endoscopy

Cada año, millones de personas en todo el mundo se enfrentan a la amenaza del cáncer de estómago, una enfermedad que sigue siendo una de las principales causas de muerte relacionada con el cáncer a nivel mundial. Antes de que este cáncer se desarrolle, el revestimiento del estómago suele experimentar una transformación lenta y silenciosa conocida como gastritis atrófica crónica. En esta condición, el tejido sano que recubre el estómago se adelgaza gradualmente y pierde su función, un cambio que aumenta significamente el riesgo de que aparezca el cáncer más adelante. Detectar este signo de advertencia temprano es crucial, pero sigue siendo una tarea difícil para los médicos. La herramienta principal para observar el interior del estómago es una cámara flexible en un tubo delgado, que captura imágenes del interior del órgano. Sin embargo, identificar los signos sutiles del adelgazamiento del tejido en estas imágenes es notablemente complicado. Los cambios pueden ser tenues, e incluso especialistas experimentados suelen discrepar sobre lo que están viendo o pasan por alto las señales por completo. Debido a esta incertidumbre, los médicos a veces recurren a la toma de muestras de tejido aleatorias de varias partes del estómago para estar seguros, un proceso que es lento, costoso e incómodo para los pacientes.

Un equipo de investigadores del Hospital de Medicina Tradicional China de Xiaoshan de Hangzhou ha desarrollado un nuevo sistema de inteligencia artificial diseñado para ayudar a los médicos a detectar estos signos de advertencia tempranos de manera más fiable. Su objetivo era crear un asistente digital que pudiera observar las mismas imágenes de vídeo en vivo que ve un médico durante un examen estándar e identificar los patrones específicos de adelgazamiento del tejido con alta precisión. A diferencia de intentos anteriores que trataban de analizar una sola imagen de una sola vez, este equipo construyó un sistema de múltiples pasos que imita la forma cuidadosa en que un experto humano examina a un paciente. El sistema primero verifica si la imagen es lo suficientemente clara como para ser útil, descartando fotogramas borrosos o con mala iluminación. Luego identifica exactamente qué parte del estómago está mirando la cámara, distinguiendo entre la entrada, el cuerpo principal y la salida. Finalmente, se concentra en las áreas específicas donde el adelgazamiento del tejido podría estar escondido, utilizando una técnica que resalta las regiones sospechosas antes de realizar un diagnóstico.

Los investigadores probaron este sistema utilizando miles de imágenes tomadas de casi mil pacientes que se habían sometido a una gastroscopia entre enero de 2024 y septiembre de 2025. Para asegurar que el sistema estuviera aprendiendo las cosas correctas, lo entrenaron con una vasta colección de imágenes que habían sido cuidadosamente etiquetadas por médicos experimentados. La parte más innovadora de su enfoque fue cómo el sistema aprendió a encontrar la enfermedad. En lugar de pedirle a la computadora que adivinara dónde estaba el problema en una imagen completa, primero enseñaron a una parte separada del sistema a dibujar un contorno digital alrededor de las áreas que parecían tener un posible adelgazamiento. La herramienta de diagnóstico principal utilizó entonces estos contornos como guía, enfocando su atención solo en el tejido relevante. Este método, que los investigadores llaman aprendizaje con inducción de características (feature-prompted learning), permitió al sistema ignorar las partes sanas del estómago que podrían distraerlo, de la misma manera que una persona podría enfocarse en un detalle específico en una habitación concurrida mientras ignora el fondo.

Cuando el equipo puso a prueba su mejor modelo, los resultados fueron sorprendentes. El sistema identificó correctamente la presencia de adelgazamiento del tejido en el 92.4% de los casos donde realmente estaba presente, y descartó correctamente su presencia en el 89.2% de los casos donde estaba ausente. Este nivel de precisión no fue solo un éxito estadístico; fue uno práctico. Cuando los investigadores compararon el rendimiento de la computadora frente a un grupo de médicos humanos, el sistema se desempeñó a la par de los especialistas más veteranos, que tenían más de cinco años de experiencia independiente. La precisión del sistema del 90.9% fue estadísticamente indistinguible del 90.3% logrado por estos expertos. Sin embargo, el sistema superó significativamente a los médicos con experiencia intermedia, que habían estado ejerciendo de forma independiente durante tres a cinco años. Estos médicos con menos experiencia lograron una precisión del 85.6%, una brecha que sugiere que la inteligencia artificial podría servir como un poderoso igualador, ayudando a los profesionales con menos experiencia a alcanzar el nivel de diagnóstico de los expertos más experimentados.

El estudio también reveló que el diseño de múltiples pasos del sistema fue esencial para su éxito. Cuando los investigadores probaron una versión más simple que observaba la imagen completa sin filtrar primero la calidad o la ubicación, la precisión cayó al 87.0%. Esta diferencia demostró que la capacidad del sistema para limpiar los datos y enfocarse en las áreas anatómicas correctas marcó una diferencia real y medible en su juicio final. La estrategia de inducción de características, donde el sistema era guiado por los contornos digitales de las áreas sospechosas, mejoró aún más los resultados, mostrando que dirigir la atención de la computadora hacia las partes más relevantes de la imagen ayudó a evitar errores. Aunque el sistema mostró gran promesa, los investigadores fueron cuidadosos al señalar que este fue un estudio de un solo centro, lo que significa que fue probado en pacientes de un solo hospital utilizando equipos específicos. Reconocieron que el sistema aún necesita ser probado en una variedad más amplia de entornos y con diferentes tipos de cámaras antes de que pueda ser utilizado rutinariamente en clínicas en todas partes.

A pesar de estas limitaciones, este trabajo representa un paso significativo hacia la estandarización de la detección de condiciones estomacales precancerosas. Al combinar un análisis cuidadoso y paso a paso con un método que guía a la computadora para enfocarse en los detalles más importantes, los investigadores han creado una herramienta que iguala el desempeño de los mejores expertos humanos. Este sistema no reemplaza al médico, sino que ofrece un segundo par de ojos que nunca se cansa y nunca pierde un detalle sutil debido a la fatiga o la distracción. A medida que la tecnología avance hacia ensayos multicéntricos más grandes, tiene el potencial de hacer que la detección temprana del cáncer de estómago sea más consistente y accesible, asegurando que los signos de advertencia de la gastritis atrófica crónica sean vistos claramente, sin importar quién sostenga la cámara.