El diagnóstico del cáncer de próstata clínicamente significativo (csPCa, por sus siglas en inglés) juega un papel crucial en la atención médica de los pacientes.
Un estudio reciente publicado en la revista Radiology sugiere que la evaluación mediante aprendizaje profundo de imágenes de resonancia magnética multiparamétrica (RMmp) de próstata puede ser comparable a la evaluación realizada por radiólogos genitourinarios experimentados en la detección de csPCa.
Rendimiento equiparable al de radiólogos expertos
La investigación analizó el desempeño de un algoritmo de aprendizaje profundo en comparación con la evaluación de radiólogos para diagnosticar csPCa. El estudio incluyó a 658 hombres (edad media de 67 años) con un total de 1,029 lesiones visibles en RMmp. El nivel promedio de antígeno prostático específico (PSA) en la cohorte fue de 6.7 ng/mL.
Los autores del estudio encontraron que el 45% de la cohorte (294 pacientes) presentaba lesiones de próstata con un puntaje de grupo (GG) según la Sociedad Internacional de Patología Urológica (ISUP) de 2 o superior, lo que indica un alto riesgo de cáncer.
El algoritmo de aprendizaje profundo (deep learning) detectó csPCa en 282 de estos pacientes (96%) en comparación con los 287 casos diagnosticados de csPCa (98%) por un radiólogo genitourinario con más de 15 años de experiencia.
Además, la sensibilidad a nivel de participante (92% vs. 93%) y el valor predictivo positivo (PPV) (65% vs. 69%) del algoritmo de aprendizaje profundo fueron comparables a los del radiólogo genitourinario.
Beneficios potenciales de la IA en el diagnóstico
“La IA tiene el potencial de ayudar a los radiólogos a estandarizar la detección de lesiones intrap prostáticas y reducir la variabilidad”, escribieron el coautor del estudio, el Dr. Baris Turkbey del Instituto Nacional del Cáncer y sus colegas.
Si bien los radiólogos pueden considerar factores adicionales en la segmentación periférica del tumor, el estudio señala que el algoritmo tiende a centrarse en la región central de las lesiones. También destaca su capacidad para reducir los falsos positivos gracias a un filtro para la hiperplasia prostática benigna.
Los autores del estudio enfatizaron la tasa de detección del 92% del algoritmo para lesiones de categoría PI-RADS 5 y su coeficiente de similitud de Dice (DSC) de 0.58 para la segmentación de dichas lesiones (el doble del DSC general del algoritmo [0.29]). Esto sugiere potenciales mejoras en el manejo de pacientes con cáncer de próstata de alto grado.
“El algoritmo no solo ofrece soporte a la decisión al resaltar las lesiones y las áreas adicionales de interés para los radiólogos, sino que sus máscaras de segmentación exportables también brindan la oportunidad de automatizar los procesos laboriosos de segmentación de lesiones (especialmente para lesiones PI-RADS 5), agilizando las tareas relacionadas con la planificación de biopsias y radioterapia”, puntualizaron Turkbey y sus colegas.
Imagen: Un radiólogo detectó las lesiones PI-RADS categoría 4 y PI-RADS categoría 3 basándose en las resonancias magnéticas multiparamétricas anteriores para un paciente masculino de 72 años. Si bien el modelo de IA detectó la lesión de categoría 4 de PI-RADS, que era un adenocarcinoma de próstata con puntuación de Gleason 7 (3+4), no detectó la lesión de categoría 3 de PI-RADS. Una biopsia posterior mostró que la lesión de categoría 3 del PI-RADS era benigna. (Imágenes de Radiology, enlace más abajo).
Claves del Estudio
- Asistencia en la Estandarización: El estudio sugiere que los algoritmos de aprendizaje profundo pueden ayudar a los radiólogos a estandarizar la detección de lesiones intrap prostáticas, lo que podría reducir la variabilidad en el diagnóstico y mejorar la consistencia entre diferentes radiólogos y centros médicos.
- Desempeño Comparable a Expertos: La investigación indica que la evaluación mediante aprendizaje profundo de imágenes RMmp de próstata puede lograr resultados comparables a la evaluación realizada por radiólogos genitourinarios experimentados en la detección de csPCa. Esto sugiere que dichos algoritmos podrían servir como valiosas herramientas de apoyo a la decisión para los radiólogos, particularmente en casos de lesiones de alto grado.
- Eficiencia y Potencial de Automatización: El algoritmo demostró altas tasas de detección, especialmente con lesiones PI-RADS categoría 5, y puede ofrecer mejoras en la segmentación de lesiones. Las máscaras de segmentación exportables podrían facilitar flujos de trabajo optimizados que ayuden a mejorar la planificación de biopsias y radioterapia en esta población de pacientes.
Para conocer más sobre la investigación recomendamos visitar Radiology.
0 comentarios