Evaluación de GPT-5 para la estadificación del cáncer de esófago

Objetivo
Evaluar si un modelo de lenguaje grande multimodal (GPT-5) puede interpretar imágenes de PET con FDG y ayudar a estadificar el cáncer de esófago, comparando su rendimiento con el de médicos.
El interés del estudio es saber si la IA generativa podría asistir en la interpretación de estudios de imagen oncológicos.
Diseño del estudio
Tipo de estudio: piloto comparativo.
Material analizado: imágenes PET con FDG (proyecciones MIP) de pacientes con cáncer de esófago.
Tarea: determinar el estadio tumoral a partir de las imágenes.
Comparación: rendimiento del modelo GPT-5 frente a médicos humanos.
También se evaluó el razonamiento diagnóstico utilizado por el modelo.
Resultados principales
Los hallazgos clave fueron:
1. GPT-5 pudo analizar imágenes PET
El modelo multimodal fue capaz de:
identificar lesiones hipermetabólicas
interpretar patrones metabólicos en la imagen
intentar inferir el estadio tumoral.
Esto muestra que los LLM multimodales pueden procesar imágenes médicas complejas.
2. Rendimiento inferior al de médicos
Aunque GPT-5 mostró cierta capacidad diagnóstica:
su precisión fue inferior a la de los especialistas.
cometió errores al interpretar la extensión tumoral o la afectación ganglionar.
Es decir, todavía no alcanza el nivel clínico necesario para diagnóstico independiente.
3. Problemas en el razonamiento diagnóstico
El estudio observó que el modelo:
a veces daba explicaciones plausibles pero incorrectas
podía interpretar mal hallazgos metabólicos
tenía limitaciones para integrar información tridimensional o clínica.
Esto sugiere que el análisis basado solo en imágenes MIP 2D es insuficiente.
Conclusiones del estudio
Los autores concluyen que:
Los modelos multimodales como GPT-5 tienen potencial para interpretar imágenes médicas.
Sin embargo, actualmente su rendimiento es inferior al de expertos humanos.
Para mejorar su utilidad clínica se necesitarán:
modelos con mejor capacidad multimodal
acceso a datos volumétricos completos (3D)
entrenamiento específico en imágenes médicas.
Artículo completo:
https://cancer.jmir.org/2026/1/e86630