Este estudio desarrolló y validó un modelo basado en deep learning que integra datos de

resonancia magnética (MRI) y parámetros clínicos (edad, PSA, densidad de PSA y volumen

prostático) para predecir el tiempo a progresión hacia cáncer de próstata clínicamente

significativo en pacientes inicialmente clasificados como de bajo riesgo. El modelo demostró

eficacia en el conjunto de pacientes estudiado y superó a herramientas de riesgo tradicionales;

sin embargo, su desempeño fue inferior en la validación externa. Además, se propusieron

intervalos de seguimiento optimizados basados en la estratificación del riesgo, lo que sugiere que

el modelo podría ayudar a personalizar la estrategia de seguimiento.

PUNTOS DÉBILES:

• Estudio retrospectivo, lo que puede introducir sesgos y limitar la robustez de las

conclusiones.

• Desempeño inferior en conjuntos de datos externos: el modelo se adapta muy bien a los

datos de entrenamiento, pero su rendimiento disminuye en cohortes independientes.

• La variabilidad en los parámetros de adquisición de MRI entre centros dificulta la

generalización del modelo a otras instituciones.

• Seguimiento limitado (5 años), lo que podría afectar la precisión en la predicción del riesgo a

largo plazo.

• Financiación, al menos parcial, por compañía externa.

PUNTOS FUERTES:

• Integración innovadora de datos de imagen y parámetros clínicos mediante deep learning.

• Permite una estimación personalizada del riesgo de progresión.

• Validación interna robusta con comparación directa contra herramientas de riesgo

convencionales.

• Potencial clínico para optimizar intervalos de seguimiento y reducir la necesidad de biopsias

innecesarias.

COMENTARIO:

Un modelo que se basa en características de la imagen que ni siquiera los algoritmos de deep

learning pueden desglosar completamente puede conducir a una dependencia excesiva de la

inteligencia artificial. Esto implica que, en ausencia de dicha tecnología, podríamos enfrentar

limitaciones en la toma de decisiones y en la interpretación clínica, perdiendo el componente de

la experiencia radiológica. Por ello, es fundamental considerar estas herramientas como

complementarias a nuestras habilidades, en lugar de sustituirlas.

Dr. Salomón de la Vega

Editor sección SEDIA