El cáncer de próstata es el segundo más común y la quinta causa de muerte por cáncer en hombres a nivel mundial. Aunque el cribado con el antígeno prostático específico (PSA) ha contribuido a reducir la mortalidad, también ha generado un importante desafío de sobrediagnóstico y sobretratamiento de cánceres no agresivos. Ante esta realidad, la medicina de precisión busca identificar tumores agresivos mediante nuevas herramientas tecnológicas [1-4].

En una resonancia magnética prostática, distinguir entre una inflamación benigna y un tumor agresivo puede ser especialmente difícil cuando las diferencias entre ambas son muy sutiles. La complejidad de las imágenes y la fatiga del especialista pueden aumentar el riesgo de errores, que van desde falsos positivos hasta pasar por alto cánceres clínicamente significativos [1, 5, 6].

Es así como la inteligencia artificial (IA), especialmente el machine learning, está adquiriendo un papel cada vez más relevante en la práctica clínica, con aplicaciones en la interpretación de imágenes y la planificación del tratamiento. Estas tecnologías pueden automatizar tareas difíciles —como la segmentación de la glándula— y mejorar la detección de lesiones sospechosas, en algunos casos con una precisión comparable o incluso superior a la del ojo humano [1, 5, 6].

De la "caja negra" a la transparencia clínica

Uno de los principales desafíos para la adopción de la IA en los hospitales es su carácter de "caja negra": los modelos pueden entregar resultados diagnósticos sin explicar cómo llegaron a ellos. Para enfrentar esta limitación, se han desarrollado modelos de IA explicable (XAI) que justifican sus clasificaciones utilizando las mismas características que usan los médicos, como las del sistema PI-RADS. Estos ofrecen explicaciones visuales y textuales que ayudan al radiólogo a comprender por qué el algoritmo considera que una zona es sospechosa o maligna [2, 3].

Su implementación también ha mostrado resultados favorables en la práctica clínica. Por ejemplo, el uso de XAI ha aumentado la confianza de los profesionales con menor experiencia al evaluar lesiones ambiguas y ha reducido el tiempo de lectura en casi un minuto por caso. Al alinear el lenguaje del algoritmo con el protocolo PI-RADS, facilitan la interpretación de sus resultados y permiten una mejor comprensión de los elementos considerados por el algoritmo [3].

Además de aportar mayor transparencia, la IA puede apoyar tareas esenciales pero demandantes, como la segmentación automática de la próstata y el registro de imágenes entre distintas modalidades. Estos procesos son fundamentales para realizar biopsias dirigidas con mayor precisión y optimizar la planificación de la radioterapia, reduciendo el error humano y la variabilidad entre operadores [1, 6, 7].

Una mayor precisión diagnóstica

Estudios internacionales de gran escala, como el desafío PI-CAI, han puesto a prueba la capacidad de la IA frente a radiólogos experimentados de todo el mundo. En esta comparación, un sistema de IA de última generación mostró una superioridad estadística en la detección de cáncer clínicamente significativo frente al desempeño promedio de 62 radiólogos. El sistema no solo detectó un 6,8% más de casos de cáncer agresivo, sino que generó un 50,4% menos de falsos positivos [5].

Su mejor rendimiento se relaciona con la capacidad del deep learning para integrar múltiples secuencias de resonancia magnética y analizar patrones de textura que pueden ser difíciles de identificar a simple vista. Al procesar miles de exámenes previos, estos sistemas pueden reconocer firmas radiómicas asociadas con la agresividad del tumor. Un metaanálisis reciente demostró que incluso superan a los radiólogos que se basan únicamente en criterios clínicos tradicionales [4, 5, 7].

Sin embargo, los expertos aseguran que estas tecnologías no buscan reemplazar al médico, sino complementar su labor como herramienta de apoyo a la decisión. La combinación del criterio clínico del profesional y el análisis de la IA puede reducir biopsias innecesarias y sus complicaciones asociadas, como infecciones o dolor [1, 2, 5].

Finalmente, la inteligencia artificial comienza a ocupar un lugar cada vez más relevante en el diagnóstico del cáncer de próstata. Si bien aún existen barreras tecnológicas y desafíos para su incorporación en la práctica médica, su capacidad para analizar imágenes y apoyar la toma de decisiones podría favorecer una detección más precisa y reducir la incertidumbre en la evaluación de los pacientes [1, 6].

Bibliografía:
[1] Bhattacharya, I. et al. (2022). A review of artificial intelligence in prostate cancer detection on imaging. Therapeutic Advances in Urology.
[2] Rabaan, A. et al. (2022). Artificial Intelligence for Clinical Diagnosis and Treatment of Prostate Cancer. Cancers.
[3] Hamm, C. et al. (2023). Interactive Explainable Deep Learning Model Informs Prostate Cancer Diagnosis at MRI. Radiology.
[4] Zhao, Y. et al. (2025). Machine learning-based MRI imaging for prostate cancer diagnosis: systematic review and meta-analysis. Springer Nature.
[5] Saha, A. et al. (2024). Artificial intelligence and radiologists in prostate cancer detection on MRI (PI-CAI): an international, paired, noninferiority, confirmatory study. Lancet Oncol.
[6] Li, H. et al. (2022). Machine Learning in Prostate MRI for Prostate Cancer: Current Status and Future Opportunities. Diagnostics.
[7] Olabanjo, O. et al. (2023). Application of Machine Learning and Deep Learning Models in Prostate Cancer Diagnosis Using Medical Images: A Systematic Review. Analytics.

Por Dominique Vieillescazes Morán