La IA en la cirugía oncológica esofagogástrica

Inteligencia artificial en la cirugía oncológica esofagogástrica

Artificial intelligence in esophagogastric oncological surgery

Elías Rodríguez Cuéllar*, Elías Dorado Rodríguez**, Javier Martínez Caballero*,
Cristina Alegre Torrado*, Pilar Gómez Rodríguez*, Eduardo Ferrero Herrero**

* Servicio de Cirugía General, Aparato Digestivo y Trasplante de
     Órganos Abdominales. Unidad de Cirugía Colorrectal.
     Hospital Universitario 12 de Octubre. Madrid (España).
** GMV Innovating Solutions

DOI: https://doi.org/10.14679/4559

Resumen:

Introducción: La inteligencia artificial (IA) está transformando la práctica médica y quirúrgica, impactando desde la organización de datos clínicos hasta la toma de decisiones intraoperatorias. En la oncología gástrica y esofágica, el desarrollo de algoritmos de aprendizaje automático, redes neuronales profundas y visión computacional está mejorando la precisión diagnóstica y pronóstica, así como la seguridad quirúrgica.
Métodos: Se realizó una revisión narrativa de la literatura reciente sobre aplicaciones de IA en cirugía esofagogástrica, con especial énfasis en el diagnóstico endoscópico, predicción de resultados clínicos y apoyo intraoperatorio. Se analizaron avances en machine learning, deep learning, computer vision y procesamiento de lenguaje natural aplicados a estas patologías.
Resultados: Los modelos de machine learning se han aplicado con éxito en el análisis de imágenes endoscópicas y radiológicas, mejorando la detección temprana de tumores esofágicos y gástricos. Las redes neuronales profundas han demostrado alta sensibilidad y especificidad en la predicción de morbimortalidad hospitalaria, respuesta a tratamientos neoadyuvantes y supervivencia en cáncer gástrico. La visión artificial ha permitido la identificación automática de estructuras anatómicas y márgenes tumorales, optimizando la resección quirúrgica y reduciendo errores intraoperatorios. Además, el uso combinado de IA y robótica sugiere un futuro hacia la automatización parcial de procedimientos repetitivos. No obstante, la validación externa de modelos sigue siendo insuficiente, y persisten limitaciones relacionadas con la opacidad de los algoritmos (“caja negra”), la protección de datos y la equidad en el acceso.
Conclusiones: La IA en la oncología quirúrgica gástrica y esofágica ofrece un potencial disruptivo en diagnóstico, predicción y apoyo intraoperatorio. Sin embargo, su implementación clínica debe avanzar con cautela, asegurando validación rigurosa, transparencia algorítmica y una integración ética que la consolide como herramienta de apoyo al juicio clínico del cirujano.
Palabras Clave: Inteligencia artificial; cirugía esofágica; cirugía gástrica; cirugía robótica; cáncer gástrico; reflujo gastroesofágico.

Abstract:

Introduction: Artificial intelligence (AI) is transforming medical and surgical practice, influencing everything from data management to intraoperative decision-making. In gastric and esophageal oncology, the development of machine learning algorithms, deep neural networks, and computer vision is enhancing diagnostic and prognostic accuracy as well as surgical safety.
Methods: A narrative review of recent literature on AI applications in esophagogastric surgery was performed, with a focus on diagnosis, prediction of clinical outcomes, and intraoperative support. Advances in machine learning, deep learning, computer vision, and natural language processing applied to these pathologies were analyzed.
Results: Machine learning models have been successfully applied to the analysis of endoscopic and radiological images, improving early detection of esophageal and gastric tumors. Deep neural networks have demonstrated high sensitivity and specificity in predicting in-hospital morbidity and mortality, response to neoadjuvant therapy, and survival in gastric cancer. Computer vision has enabled automatic identification of anatomical structures and tumor margins, optimizing oncologic resection and reducing intraoperative errors. Moreover, the combined use of AI and robotics suggests a future trend toward partial automation of repetitive surgical procedures. However, external validation of models remains insufficient, and limitations persist regarding algorithmic opacity (“black box”), data protection, and equitable access.
Conclusions: AI in gastric and esophageal oncologic surgery offers disruptive potential in diagnosis, prediction, and intraoperative support. Nevertheless, clinical implementation must progress cautiously, ensuring rigorous validation, algorithmic transparency, and ethical integration so that AI becomes a supportive tool rather than a replacement for the surgeon’s clinical judgment.

Key words: Artificial intelligence; gastric cancer; esophageal cancer; surgical oncology; machine learning; computer vision.

Bibliografía

1. 1. 1. Shukla A, Chaudhary R, Nayyar N. Role of artificial intelligence in gastrointestinal surgery. Artif Intell Cancer 2024; 5(2): 97317
      2. Yang YJ, Bang CS. Application of artificial intelligence in gastroenterology. World J Gastroenterol. 2019;25:1666-1683
      3. Theocharopoulos C, Davakis S, Ziogas DC, Theocharopoulos A, Foteinou D, Mylonakis A, Katsaros I, Gogas H, Charalabopoulos A. Deep Learning for Image Analysis in the Diagnosis and Management of Esophageal Cancer. Cancers (Basel). 2024 Sep 26;16(19):3285. doi: 10.3390/cancers16193285. PMID: 39409906; PMCID: PMC11475041.
      4. Baik YS, Lee H, Kim YJ, Chung JW, Kim KG. Early detection of esophageal cancer: Evaluating AI algorithms with multi-institutional narrowband and white-light imaging data. PLoS One. 2025 Apr 4;20(4):e0321092. doi: 10.1371/journal.pone.0321092. PMID: 40184395; PMCID: PMC11970661.https://pmc.ncbi.nlm.nih.gov/articles/PMC11970661/
      5. Waki, K., Nagaoka, K., Okubo, K. et al. Optimizing AI models to predict esophageal squamous cell carcinoma risk by incorporating small datasets of soft palate images. Sci Rep 15, 4003 (2025). https://doi.org/10.1038/s41598-025-86829-8
      6. https://www.nature.com/articles/s41598-025-86829-8
      7. Survival CNN: a Deep learning-based method for gastric cancer survival prediction using radiological imaging data and clinicopathological variables Hao D, Li Q, Feng QX, Qi L, Liu XS, Arefan D, Zhang YD, Wu S. Artif Intell Med. 2022 Dec;134:102424. doi: 10.1016/j.artmed.2022.102424. Epub 2022 Oct 19. PMID: 36462894. https://www.sciencedirect.com/science/article/abs/pii/S0933365722001762
      8. Wang Y, Wang YG, Hu C, Li M, Fan Y, Otter N, Sam I, Gou H, Hu Y, Kwok T, Zalcberg J, Boussioutas A, Daly RJ, Montúfar G, Liò P, Xu D, Webb GI, Song J. Cell graph neural networks enable the precise prediction of patient survival in gastric cancer. NPJ Precis Oncol. 2022 Jun 23;6(1):45. doi: 10.1038/s41698-022-00285-5. PMID: 35739342; PMCID: PMC9226174.
      9. Kenngott HG, Wagner M, Nickel F, Wekerle AL, Preukschas A, Apitz M, Schulte T, Rempel R, Mietkowski P, Wagner F, Termer A, Müller-Stich BP. Computer-assisted abdominal surgery: new technologies. Langenbecks Arch Surg. 2015;400:273-281.
         Volkov M, Hashimoto DA, Rosman G, Meireles OR, Rus D.   Machine Learning and Coresets for Automated Real-Time Video Segmentation of Laparoscopic and Robot-Assisted Surgery. IEEE International Conference on Robotics and Automation. Singapore, 2017: 754-759.
      10. Hashimoto DA, Rosman G, Witkowski ER, Stafford C, Navarette-Welton AJ, Rattner DW, Lillemoe KD, Rus DL, Meireles OR. Computer Vision Analysis of Intraoperative Video: Automated Recognition of Operative Steps in Laparoscopic Sleeve Gastrectomy. Ann Surg. 2019;270:414-421.Setia N, Clark JW, Duda DG, Hong TS, Kwak EL, Mullen JT, Lauwers GY.