Inteligencia artificial y PI-RADS en resonancia magnética prostática
La resonancia magnética multiparamétrica de próstata se ha convertido en una herramienta fundamental para la detección del cáncer de próstata. En este contexto, la inteligencia artificial (IA) está transformando la forma en que se interpretan estas imágenes, especialmente mediante la clasificación PI-RADS, utilizada para estimar el riesgo de cáncer clínicamente significativo.
¿Cómo interpreta la IA la resonancia magnética prostática?
La IA utiliza modelos de aprendizaje profundo y machine learning entrenados con grandes volúmenes de estudios previamente anotados por especialistas. Estos algoritmos analizan imágenes multiparamétricas que incluyen:
- Secuencias T2
- Difusión (DWI) y mapas ADC
- En algunos modelos, secuencia con contraste (DCE)
A partir de esta información, la IA puede detectar, segmentar y clasificar lesiones sospechosas, asignando una puntuación PI-RADS o estimando directamente el riesgo de cáncer clínicamente significativo.
Emulación del razonamiento del radiólogo experto
Los sistemas de IA han demostrado ser capaces de emular el proceso diagnóstico de radiólogos expertos, identificando lesiones candidatas a biopsia y clasificándolas según los criterios PI-RADS.
Diversos estudios muestran que estos modelos alcanzan resultados comparables o incluso superiores a los de radiólogos generales, especialmente en la detección de cáncer clínicamente significativo. Este desempeño resulta particularmente relevante en entornos donde no siempre se dispone de radiólogos subespecializados en imagen prostática.
Modelos “human-in-the-loop” y transparencia diagnóstica
Un avance importante es el desarrollo de modelos de IA del tipo “human-in-the-loop”, que integran la experiencia de subespecialistas durante el entrenamiento y la validación del sistema.
Estos modelos no solo asignan una categoría PI-RADS, sino que además pueden justificar su clasificación utilizando características visuales y descripciones alineadas con los criterios PI-RADS. Esto mejora la transparencia, la confianza clínica y la aceptación de la IA como herramienta de apoyo diagnóstico.
Rendimiento diagnóstico y validación clínica
En estudios multicéntricos y de validación externa, la IA ha demostrado:
- Sensibilidad y especificidad similares a la lectura radiológica convencional
- Valores predictivos positivos y negativos comparables para puntos de corte PI-RADS ≥ 3
Cuando la IA se integra con la interpretación humana, se observa una mejoría en la sensibilidad para cáncer clínicamente significativo, especialmente en lesiones indeterminadas, además de una reducción de la variabilidad interobservador y del tiempo de lectura.
El valor de la IA en lesiones PI-RADS 3
Las lesiones PI-RADS 3 representan uno de los mayores desafíos clínicos. En este escenario, la IA basada en radiomics y machine learning puede extraer características cuantitativas avanzadas, como:
- Texturas en imágenes T2
- Patrones de señal en mapas ADC
El análisis de estas variables permite estratificar mejor el riesgo, mejorando la discriminación entre lesiones benignas y cáncer clínicamente significativo, superando en algunos escenarios el rendimiento de la evaluación PI-RADS convencional.
Conclusión
La inteligencia artificial interpreta la resonancia magnética prostática mediante algoritmos entrenados con grandes bases de datos, capaces de detectar, segmentar y clasificar lesiones según PI-RADS, justificando sus decisiones y estandarizando la interpretación.
Su rendimiento es comparable o superior al de radiólogos generales, especialmente en la reducción de la variabilidad diagnóstica y en el manejo de casos indeterminados, consolidándose como una herramienta clave en el diagnóstico moderno del cáncer de próstata.
* Informes*
📆 Citas en línea y presenciales
☎️ 989 662 887
📞 (01) 332-4009
Av. Brasil 935. Jesús María. Lima. 🇵🇪 15072.
Urología Peruana Dr. Luis Susaníbar
Referencias
- Yu R, Jiang KW, Bao J, et al.
PI-RADS: Introducing a new human-in-the-loop AI model for prostate cancer diagnosis based on MRI.
Br J Cancer. 2023;128(6):1019–1029.
doi:10.1038/s41416-022-02137-2. - Wu H, Liu F, Yang Q, et al.
Automated MRI system for clinically significant prostate cancer detection: development, validation, and real-world implementation.
Nat Commun. 2025;16:Article 66593.
doi:10.1038/s41467-025-66593-z. - Gelikman DG, Yilmaz EC, Harmon SA, et al.
Evaluating artificial intelligence–assisted prostate biparametric MRI interpretation: an international multireader study.
AJR Am J Roentgenol. 2025.
doi:10.2214/AJR.24.32399. - Sanford T, Harmon SA, Turkbey EB, et al.
Deep-learning–based artificial intelligence for PI-RADS classification to assist multiparametric prostate MRI interpretation: a development study.
J Magn Reson Imaging. 2020;52(5):1499–1507.
doi:10.1002/jmri.27204. - Belue MJ, Mukhtar V, Ram R, et al.
External validation of an artificial intelligence algorithm using biparametric MRI and its simulated integration with conventional PI-RADS for prostate cancer detection.
Acad Radiol. 2025;32(7):3813–3823.
doi:10.1016/j.acra.2025.03.039. - Saha A, Bosma JS, Twilt JJ, et al.
Artificial intelligence and radiologists in prostate cancer detection on MRI (PI-CAI): an international, paired, non-inferiority, confirmatory study.
Lancet Oncol. 2024;25(7):879–887.
doi:10.1016/S1470-2045(24)00220-1. - Hamm CA, Baumgärtner GL, Biessmann F, et al.
Interactive explainable deep learning model informs prostate cancer diagnosis at MRI.
Radiology. 2023;307(4):e222276.
doi:10.1148/radiol.222276. - Brancato V, Aiello M, Basso L, et al.
Evaluation of a multiparametric MRI radiomic-based approach for stratification of equivocal PI-RADS 3 and upgraded PI-RADS 4 prostatic lesions.
Sci Rep. 2021;11(1):643.
doi:10.1038/s41598-020-80749-5. - Hectors SJ, Chen C, Chen J, et al.
Magnetic resonance imaging radiomics-based machine learning prediction of clinically significant prostate cancer in equivocal PI-RADS 3 lesions.
J Magn Reson Imaging. 2021;54(5):1466–1473.
doi:10.1002/jmri.27692.
Urología Peruana. Dr. Susaníbar 