Artículo original: Anderson MA, Mercaldo S, Chung R, Ulrich E, Jones RW, Harisinghani M. Improving Prostate Cancer Detection With MRI: A Multi-Reader, Multi-Case Study Using Computer-Aided Detection (CAD). Acad Radiol. 2023 Jul;30(7):1340-1349. doi: 10.1016/j.acra.2022.09.009.
DOI: 10.1016/j.acra.2022.09.009
Sociedad: Association of University Radiologists (@AURtweet)
Palabras clave: Prostate adenocarcinoma, Magnetic resonance imaging, Bi-parametric prostate MRI, computer-aided diagnosis, random forest model
Abreviaturas y acrónimos utilizados: AUC (area under the curve, área bajo la curva), CAD (Computer-aided diagnosis, diagnóstico asistido por computadora), cc (centímetros cúbicos), mL (militros), ng (nanogramos), p (valor de significación estadística), PI-RADS (Prostate Imaging Reporting & Data System), PSA (antígeno prostático específico), RM (resonancia magnética), vs. (versus).
Línea editorial: Academic Radiology es una revista de publicación mensual con enfoque académico que en julio de 2023, como cada mes, nos trae diversos artículos originales de investigación, varias revisiones y algunas cartas al editor. De entre todos ellos, destacan una revisión y un editorial sobre la elección de las técnicas de imagen más adecuadas para cada caso y el impacto que esto tiene sobre el manejo diario de los pacientes y la relación entre los radiólogos y los clínicos peticionarios.
Motivos para la selección: La detección del cáncer de próstata mediante el uso de RM prostática es un tema de actualidad. En la práctica clínica diaria, la concordancia entre diferentes radiólogos a la hora de leer los estudios de próstata es aún subóptima debido a diversos factores. Algunos autores defienden que la RM de próstata solamente debe ser informada por radiólogos expertos, de forma similar a como se trabaja en las unidades de Radiología de la Mama. Otros consideran que la prioridad es mejorar la reproducibilidad de los estudios y buscar herramientas para mejorar la concordancia interobservador. La inteligencia artificial puede jugar un papel importante en esto último.
Resumen:
La RM multiparamétrica de próstata tiene un papel establecido en el diagnóstico del cáncer de próstata, habiendo demostrado que mejora la tasa de detección del cáncer de próstata clínicamente relevante. También ha demostrado ser útil en la planificación de biopsias ecoguiadas (biopsia fusión). No obstante, el uso del PI-RADS, así como su rendimiento diagnóstico varía ampliamente entre las diferentes instituciones, con baja concordancia interobservador a la hora de informar los hallazgos en la RM de próstata. Estas diferencias son más acusadas cuando se trata de lesiones en la zona transicional. Todo ello abre un campo de investigación, donde la inteligencia artificial podría tener un lugar importante. En este contexto, el objetivo de este estudio fue evaluar si la adición de un sistema CAD ayuda a mejorar el rendimiento diagnóstico y la concordancia interobservador en la detección del cáncer de próstata clínicamente relevante.
En este estudio retrospectivo, nueve radiólogos revisaron 150 RM prostáticas sin y posteriormente con una serie adicional de imágenes de RM generada por un sistema CAD tipo bosque aleatorio (random-forest). Un sistema tipo bosque aleatorio es un tipo de machine learning que combina la salida de varios árboles de decisiones para alcanzar un resultado único. Se utilizó como gold standard el resultado de una biopsia, considerando cáncer de próstata “clínicamente relevante” aquellas con un Gleason ≥7. El sistema CAD fue entrenado con 958 RM de próstata, aparte de las 150 incluidas en el estudio.
A los radiólogos se les pidió leer las 150 RM originales en orden aleatorio y, 30 días después, volverlas a leer en un orden diferente, incluyendo esta vez una serie adicional generada por el sistema CAD, consistente en la secuencia potenciada en T2 fusionada con un mapa coloreado que mostraba la probabilidad de malignidad.
Se incluyeron 150 RM de 150 pacientes, con una edad media de 67 ± 7,4 años. 67 de ellos (44,7%) tuvieron biopsia positiva y 46 (30,7%) tuvieron biopsia negativa. Aquellos con un cáncer de próstata clínicamente relevante eran mayores (68 ± 7,6 años vs. 66 ± 7 años; p < 0,02), tenían un volumen prostático más pequeño (43,9 mL vs. 60,6 mL; p < 0,001) y no presentaban diferencias en los niveles del PSA (7,8 ng/mL vs. 6,9 ng/mL; p = 0,008), pero tenían una densidad de PSA más alta (0,17 ng/mL/cc vs. 0,10 ng/mL/cc; p < 0,001). La concordancia interobservador para las puntuaciones PI-RADS fue moderada sin CAD y mejoró significativamente con CAD (p < 0,001). El CAD también mejoró significativamente el área bajo la curva promedio del lector (AUC = 0,72 vs. AUC = 0,67; p = 0,02).
El 64% de los tumores se localizó en la zona periférica y el 36% en la zona transicional. Al comparar el AUC promedio de todos los radiólogos lectores sin CAD vs. con CAD por zona, no hubo una diferencia significativa en los cánceres de la zona periférica, pero hubo un aumento significativo en el AUC para los cánceres de la zona de transición con la adición de CAD. La concordancia interobservador también mejoró en mayor medida en la zona de transición con la adición de CAD, aunque también mejoró significativamente la concordancia en la zona periférica. Por último, el CAD también mejoró la detección de cáncer en lesiones marcadas como PI-RADS 3 en la zona transicional.
El diagnóstico del cáncer de próstata en la zona transicional (donde se dan un 30% de los tumores prostáticos) ha sido tradicionalmente difícil, principalmente debido a que es la zona afectada por la hiperplasia benigna de próstata, presentando un aspecto nodular del estroma, que reduce el valor predictivo positivo de la RM. La herramienta utilizada en este estudio mejoró los resultados en la zona transicional, consiguiendo que la RM de próstata alcance en ella un rendimiento similar al que ya presenta en la zona periférica, donde el estroma no presenta nódulos que puedan llevar a confusión.
Globalmente, este estudio demuestra que la adición de imágenes generadas por un sistema CAD tipo bosque aleatorio a la RM de próstata mejora la concordancia interobervador a la hora de aplicar la clasificación PI-RADS y de cara la detección del cáncer de próstata clínicamente relevante.
Valoración personal:
Este artículo versa sobre un tema de actualidad, aportando datos e información que pueden ayudar a resolver un problema común en la práctica clínica diaria de la radiología abdominal, como es el entrenamiento y la concordancia interobservador en la lectura de RM de próstata.
Como puntos a favor, destacaría que enfocan bien la necesidad de que los resultados sean aplicables a la práctica real con medidas como la inclusión de estudios realizados con máquinas de diferentes fabricantes, como suele ocurrir en nuestros hospitales en el día a día. También en esta línea, basan el estudio en la secuencia potenciada en T2 de campo de visión pequeño y corte fino, que es la que guía la aplicación de la clasificación PI-RADS en la zona transicional y es una secuencia básica, que siempre debería estar en el protocolo de una RM de próstata. Por ello, la herramienta podría ser validada y usada en cualquier entorno donde se pueda adquirir una RM de próstata.
Como punto en contra, solamente se analiza con el sistema CAD la secuencia potenciada en T2, perdiendo la información que pueden aportar la secuencia de difusión y el estudio dinámico postcontraste.
Como conclusión, se trata de un buen artículo que aporta información relevante en el camino hacia resolver un problema de la práctica clínica diaria como es el diagnóstico del cáncer de próstata con RM, especialmente en la zona transicional.
Álvaro Rueda de Eusebio
Hospital Clínico San Carlos, Madrid, R3
cbseram.com 
Deja un comentario