Investigadores de la Universidad Fudan y otras instituciones chinas desarrollaron un sistema de inteligencia artificial que integra imágenes de resonancia magnética, ultrasonido y muestras histopatológicas digitalizadas para apoyar el diagnóstico, la clasificación y el pronóstico del cáncer de próstata.
Un equipo de investigadores del Hospital Huashan de la Universidad Fudan, la Universidad Médica Naval y la Facultad de Medicina de la Universidad Jiao Tong de Shanghái presentó un marco de inteligencia artificial multimodal para el manejo del cáncer de próstata, construido sobre MedGemma, un modelo de lenguaje visual médico de código abierto desarrollado previamente por Google. El estudio se publicó en npj Digital Medicine.
El sistema procesa tres tipos de evidencia médica de forma diferenciada: resonancia magnética multiparamétrica, ultrasonido transrectal e imágenes de portaobjetos completos (WSI, en inglés) obtenidas de biopsias digitalizadas. Cada modalidad cuenta con su propio codificador y, cuando alguna imagen no está disponible para un paciente, el modelo utiliza un token de sustitución en lugar de generar información inexistente. Los autores subrayan que no existe actualmente ningún recurso público que reúna resonancia, ultrasonido y biopsias digitales emparejadas para los mismos pacientes, por lo que cada resultado se evaluó en configuraciones específicas según el conjunto de datos disponible.
El modelo cumple tres funciones principales, segmentar la lesión tumoral, clasificar el grado de Gleason del cáncer y estimar el riesgo de progresión de la enfermedad. En la segmentación con resonancia únicamente, el sistema alcanzó un coeficiente de Sørensen-Dice de 0.901 sobre 220 casos evaluables. Al incorporar ultrasonido alineado junto con la resonancia en una cohorte pareada de 108 casos, la precisión de segmentación aumentó de 0.872 a 0.899, una diferencia estadísticamente significativa que los autores atribuyen al aporte de información geométrica y de coordenadas que ofrece el ultrasonido durante el procedimiento de biopsia.
En la clasificación del grado de Gleason a partir de biopsias digitalizadas, el modelo obtuvo una exactitud de 90.0% y un índice de concordancia cuadrático ponderado de 0.950 sobre 1,200 muestras correspondientes a 800 pacientes. Para la predicción de supervivencia, evaluada con datos del Atlas del Genoma del Cáncer en 412 pacientes con 86 eventos registrados, el modelo alcanzó un índice de concordancia de 0.805, superior al 0.742 obtenido por CLAM, un método de referencia reproducido bajo las mismas condiciones.
Una característica adicional del sistema es la generación de una justificación clínica estructurada para cada predicción, entrenada mediante una etapa de aprendizaje por refuerzo mientras se mantienen congelados los codificadores visuales y las cabezas de tarea. Dos revisores clínicos evaluaron de forma independiente 40 justificaciones generadas por el modelo y les otorgaron una puntuación promedio de 4.3 sobre 5 en corrección factual, con una tasa de afirmaciones sin respaldo de 7.5%. Los propios autores advierten que estas justificaciones son un producto auxiliar y auditable, no una prueba directa del razonamiento interno del modelo.
Los investigadores señalan como limitación principal la ausencia de una cohorte con resonancia, ultrasonido y biopsias digitales emparejadas para un mismo grupo de pacientes, lo que impide una comparación trimodal definitiva. También indican que las comparaciones con estudios previos publicados se presentan como referencia contextual y no como pruebas estadísticas directas, ya que no comparten los mismos pacientes ni el mismo procesamiento de datos. El equipo plantea que el siguiente paso debe ser la validación externa y la evaluación prospectiva en entornos clínicos reales antes de considerar cualquier uso asistencial.
