P-24 Presentación: Póster virtual

RESUMEN DE COMUNICACIÓN
Influencia de las variables clínicas en la precisión de un modelo de inteligencia artificial para el diagnóstico de Cáncer de Próstata
Perán Teruel, Miguel; Navarro Beltrán, Azahar; Ruiz Torres, Clara; Sanz Alvarez, Guillermo; Alzate Grisales, Jesús Alejandro; De La Iglesia Vaya, Maria; Osca Garcia, Jose Manuel
Hospital Arnau de Vilanova (Valencia). Unidad Mixta de Imagen Biomédica Fisabio-Cipf

INTRODUCCIÓN

El Cáncer de Próstata (CP) es el tumor maligno más frecuente en varones en países desarrollados. Los avances en técnicas de imagen y programas de detección precoz han permitido diagnosticar la enfermedad en etapas tempranas. En este sentido la Inteligencia artificial (IA) se comienza a posicionar como una herramienta capaz de ayudarnos de forma certera y precisa en la detección y diagnóstico del CP mediante la interpretación de imágenes médicas, predicción de la agresividad tumoral u optimizando la selección de pacientes candidatos a biopsia.

OBJETIVO

Analizar la influencia de las variables clínicas en el entrenamiento de modelos de IA para mejorar la precisión en el diagnóstico por imagen del CP.

MATERIAL Y MÉTODOS

Este estudio aborda la clasificación de CP clínicamente significativo mediante  3 modelos de IA. El primero (modelo basado en Efficient-Net-B7) emplea la segmentación de imágenes de RM prostática en secuencias T2w, ADC y DWI. El segundo incorpora cuatro variables clínicas: psa, edad, densidad de PSA y volumen prostático. Finalmente, se desarrolla un tercer modelo híbrido que fusiona tanto las técnicas de imagen como los datos clínicos.

RESULTADOS

Se entrenaron tres modelos de IA para clasificar el CP utilizando una base de datos de 813 pacientes con CP no clínicamente significativo y 323 con CP clínicamente significativo:

  • Modelo de Imágenes: Sensibilidad 19%, Especificidad 80%, Precisión 63%, F1 Score 61%.
  • Modelo de Variables Clínicas: Sensibilidad 35%, Especificidad 91%, Precisión 75%, F1 Score 73%.
  • Modelo Híbrido (Imágenes + Variables Clínicas): Sensibilidad 55%, Especificidad 78%, Precisión 72%, F1 Score 72%.

CONCLUSIONES

La inclusión de variables clínicas en los modelos de IA mejora significativamente la sensibilidad en la clasificación del CP. Este enfoque combinado incrementa la capacidad de detectar casos clínicamente significativos, un aspecto crucial en el contexto clínico. Aunque también se observan mejoras en especificidad y precisión, la sensibilidad es notablemente mayor, lo que resulta esencial para minimizar los casos de diagnóstico erróneo. Si bien estos resultados son prometedores, se requieren estudios adicionales para validar y perfeccionar esta metodología.