Introducción y objetivos
La inteligencia artificial (IA) se ha convertido en una herramienta prometedora para el diagnóstico del cáncer de próstata (CP), especialmente en la interpretación de la resonancia magnética multiparamétrica (RMmp) y en la selección de pacientes candidatos a biopsia. El objetivo de este estudio fue evaluar la influencia de las variables clínicas en el rendimiento de modelos de IA para la detección del cáncer de próstata clínicamente significativo (CPcs), presentando resultados actualizados tras la ampliación del conjunto de datos y el reentrenamiento de los modelos.

Materiales y métodos
Se desarrollaron tres modelos de IA para la clasificación del CPcs:
(1) Modelo de imagen: red 3D EfficientNet-B7 preentrenada con el conjunto de datos del desafío Prostate Imaging: Artificial Intelligence (PI-CAI) y ajustada con la base de datos BIMCV-Prostate, utilizando secuencias de RM segmentadas ponderadas en T2, ADC y DWI.
(2) Modelo clínico: incluyó antígeno prostático específico (PSA), densidad de PSA, edad y volumen prostático.
(3) Modelo híbrido: combinación de datos de imagen y variables clínicas.
Todos los modelos se reentrenaron con un conjunto de datos ampliado de 2670 pacientes (1404 sin CPcs y 1266 con CPcs).

Resultados
Tras la ampliación del conjunto de datos, el rendimiento mejoró en los tres modelos:
– Modelo de imagen: sensibilidad 71 %, especificidad 70 %, precisión 70 % y F1 72 %.
– Modelo clínico: sensibilidad 53 %, especificidad 87 %, precisión 70 % y F1 64 %.
– Modelo híbrido: sensibilidad 65 %, especificidad 79 %, precisión 72 % y F1 71 %.
El modelo híbrido mostró el rendimiento diagnóstico más equilibrado al combinar la elevada sensibilidad del análisis por RM con la mayor especificidad aportada por las variables clínicas.

Conclusiones
La integración de variables clínicas en modelos de IA basados en imágenes mejora la precisión y la robustez diagnóstica en la detección del cáncer de próstata. El modelo híbrido alcanzó el mejor rendimiento global, destacando el valor complementario de la información clínica y radiológica. La ampliación del conjunto de datos y el reentrenamiento del modelo mejoraron la capacidad de generalización, apoyando la incorporación de enfoques multidimensionales basados en IA en el diagnóstico del cáncer de próstata.