9 CTC- Inteligencia artificial y citologia liquida: estudio en el país Japon

Kanavati et al. (2022) desarrollaron en Japon un modelo de IA para analizar muestras de citologia liquida, logrando alta sensibilidad y especificidad.

La digitalización y la inteligencia artificial (IA) están transformando la práctica médica. En el ámbito citológico, la combinación de Citología en Base Líquida (CBL) con algoritmos de aprendizaje profundo ofrece nuevas perspectivas para el tamizaje de cáncer cervicouterino.

En Japón, Kanavati, Hirose, Ishii, Fukuda, Ichihara y Tsuneki (2022) publicaron en Cancers un estudio pionero en este campo.

Perfil del estudio citologia liquida: estudio en el país Japon

El objetivo fue desarrollar un modelo de deep learning capaz de analizar imágenes digitales de láminas de CBL a gran escala. La investigación empleó imágenes de portaobjetos completos (whole slide images) para entrenar y validar el modelo.

Hallazgos principales. citologia liquida: estudio en el país Japon

Los resultados demostraron que la IA aplicada a CBL:

• Logra alta sensibilidad y especificidad en la detección de lesiones cervicales.

• Reduce el tiempo de análisis en comparación con la observación manual.

• Estandariza la interpretación, disminuyendo la variabilidad interobservador.

• Puede integrarse a programas de tamizaje masivo en países con alta carga de cáncer cervical.

Este estudio evidencia el potencial de la IA como apoyo al citotecnólogo y al patólogo en el diagnóstico.

Relación con la CBL Verde y Liqui-Prep™

El modelo japonés confirma que la digitalización potencia los beneficios de la CBL. Si se suma el componente ambiental de la Citología en Base Líquida Verde con Liqui-Prep™, el impacto sería triple: diagnóstico preciso, sostenibilidad y automatización inteligente.

Nota de interés

Japon es uno de los países más avanzados en la integración de inteligencia artificial en la medicina. Este estudio abre la posibilidad de aplicar la telecitología digital en regiones como Latinoamérica, optimizando recursos y reduciendo desigualdades en salud.

Referencia

Kanavati, F., Hirose, N., Ishii, T., Fukuda, A., Ichihara, S., & Tsuneki, M. (2022). A deep learning model for cervical cancer screening on liquid-based cytology specimens in whole slide images. Cancers, 14(5), 1159. https://doi.org/10.3390/cancers14051159