Aprendizaje profundo para la Medición Automatizada de SUV y Volumen Tumoral Molecular en Imágenes de [68Ga]PSMA-11, [18F]DCFPyL, [18F]FDG, y [177Lu]Lu-PSMA-617 con Red de Consenso Regional de Umbral Global
Artículo original: Jackson P, Buteau JP, McIntosh L, Sun Y, Kashyap R, Casanueva S, et al. Deep Learning for Automated Measures of SUV and Molecular Tumor Volume in [68Ga]PSMA-11 or [18F]DCFPyL, [18F]FDG, and [177Lu]Lu-PSMA-617 Imaging with Global Threshold Regional Consensus Network. J Nucl Med. 2025;66:1811-1817
DOI: https://doi.org/10.2967/jnumed.125.270077
Sociedad: Journal of Nuclear Medicine (@JournalofNucMed)
Palabras clave: PSMA; [18F]FDG; prostate cancer; machine learning; image biomarkers
Abreviaturas y acrónimos utilizados: Cáncer de Próstata Metastásico Resistente a la Castración (mCRPC), Antígeno de Membrana Específico de la Próstata (PSMA), Tomografía por Emisión de Positrones (PET), Tomografía Computarizada por Emisión de Fotón Único (SPECT), 18Flúor Fluorodesoxiglucosa ([18F]FDG), Valor de Captación Estándar (SUV), Red de Consenso Regional de Umbral Global (GTRC-Net), [177Lu]Lu-PSMA-617 (LuPSMA).
Línea editorial del número:
The Journal of Nuclear Medicine, revista oficial de la Sociedad de Medicina Nuclear e Imagen Molecular, ofrece a sus lectores investigaciones de vanguardia, artículos científicos y de educación continuada, manteniéndose como referente mundial en el campo. En la publicación de noviembre de 2025, encontramos una selección multidisciplinar de alto impacto, con un fuerte predominio de la teragnosis en cáncer de próstata y avances significativos en inteligencia artificial y neurología.
Sobresale como artículo del mes un estudio sobre el valor predictivo de la imagen PET/CT-CXCR4 en la recuperación ventricular post-infarto. En oncología, se cuestionan paradigmas del cáncer de próstata metastásico, evaluando la terapia con [177Lu]Lu-PSMA-617 en primera línea y nuevos avances en terapia alfa ([212Pb], [225Ac]). Por otro lado, en neurología se presentan métodos novedosos para evaluar la neuroinflamación post-COVID y cuantificar la proteína Tau.
Motivo para la selección:
He seleccionado este artículo, ya que permite automatizar y estandarizar la selección de pacientes para terapia LuPSMA, resolviendo la variabilidad del proceso manual, además de reducir el elevado consumo de tiempo de este. Además, los autores publican de forma abierta el modelo, permitiendo su uso y mejora por parte de otros investigadores.
Resumen:
Introducción
El cáncer de próstata metastásico resistente a la castración (mCRPC) continúa presentando altas tasas de mortalidad, con opciones terapéuticas limitadas una vez que falla la terapia hormonal. En este contexto, la terapia con radiofármacos, específicamente con [177Lu]Lu-PSMA-617, ha surgido como una alternativa eficaz. Sin embargo, la respuesta clínica a este tratamiento es variable y depende en gran medida de la expresión de PSMA y de la actividad metabólica del tumor, las cuales se evalúan mediante PET con trazadores de PSMA y [18F]FDG, respectivamente. El objetivo principal de este trabajo fue mejorar los flujos de trabajo computacionales para estandarizar la selección de pacientes y mejorar la capacidad pronóstica, desarrollando un modelo que iguale la precisión de un experto humano pero de manera automatizada.
Materiales y Métodos
Para el entrenamiento de los modelos, los autores incluyeron 676 estudios PET de PSMA (utilizando tanto [68Ga]PSMA-11 como [18F]DCFPyL), 390 estudios PET de [18F]FDG y 477 imágenes SPECT cuantitativas post-tratamiento de LuPSMA. Además, se reservó un conjunto de prueba externo compuesto por 56 casos para la validación
El estándar de referencia fue establecido mediante la anotación manual de expertos en medicina nuclear usando umbrales clínicos (SUV ≥ 3 para PSMA/SPECT y umbral basado en hígado para FDG).
La innovación técnica central, denominada "Global Threshold Regional Consensus Network" (GTRC-Net), opera mediante un flujo de trabajo híbrido en cuatro etapas:
- Umbralización Global (Selección de Subregiones): Primero, se aplica un umbral de SUV a las imágenes funcionales para identificar las regiones candidatas iniciales de avidez significativa.
- Filtrado "Watershed" (Separación): Se aplica el filtro "watershed" a las áreas identificadas para separar volúmenes grandes y contiguos en subregiones discretas, lo que permite identificar focos de lesión individuales dentro de una masa mayor.
- Segmentación Semántica con nnU-Net: De forma paralela e independiente, una red nnU-Net procesa las imágenes de entrada (TC y PET), clasificando cada vóxel de la imagen en tres posibles clases: tumor, captación fisiológica o fondo.
- Clasificación por Consenso: Finalmente, un clasificador (perceptrón multicapa) evalúa las subregiones candidatas (paso 2). La inclusión final como "tumor" se basa en un consenso de sus características y el solapamiento con la predicción "tumor" de nnU-Net (paso 3).
Resultados
El modelo GTRC-Net demostró una alta precisión espacial con un Coeficiente Dice Volumétrico medio de 0.94 en PET-PSMA, 0.84 en PET-FDG y 0.97 en SPECT-LuPSMA. La concordancia de superficie mediana fue excelente, alcanzando 0.96, 0.94 y 0.99 respectivamente. En la validación externa, los valores Dice se mantuvieron robustos (0.95 en PSMA y 0.84 en FDG).
En cuanto a biomarcadores cuantitativos, la correlación con expertos fue muy alta (Pearson 0.94-0.99 para volumen tumoral) y la clasificación pronóstica de pacientes superó el 96% de precisión en todas las modalidades.
La detección de metástasis hepáticas mostró una especificidad superior al 98%, aunque la sensibilidad varió según la modalidad: 73.7% (PSMA), 81.8% (FDG) y 93.3% (SPECT).
Discusión
Los autores confirman que el aprendizaje profundo (GTRC-Net) cuantifica la carga tumoral con calidad experta, superando a nnU-Net gracias a su enfoque híbrido que integra umbrales de SUV, mejorando la definición de bordes. GTRC-Net mostró resultados superiores en PSMA y SPECT comparados con FDG, debido a la mejor relación señal-fondo. La segmentación hepática, limitada por la alta actividad fisiológica, persiste como la principal restricción, sugiriendo el uso futuro de densidades de TC para su refinamiento.
Conclusión
El estudio confirma la viabilidad de la delimitación automatizada de la extensión y avidez del trazador en el cáncer de próstata con alta precisión. La metodología GTRC-Net combina aprendizaje profundo con umbrales clínicos, produciendo biomarcadores cuantitativos que se correlacionan bien con los manuales. Esto valida el uso de herramientas automatizadas para la estadificación y seguimiento en ensayos clínicos y potencialmente en la práctica diaria, liberando a especialistas de la tarea manual y reduciendo la variabilidad inter-observador. Los autores han compartido modelos y código para fomentar la investigación.
Valoración Personal:
En mi opinión, este trabajo representa un avance significativo y muy necesario en el campo de la teragnosis y cuantificación. Lo que encuentro más valioso no es solo la sofisticación técnica del algoritmo, sino su pragmatismo clínico. A diferencia de muchos modelos de "caja negra" que intentan reinventar la rueda, los autores han optado por una solución híbrida inteligente que respeta y utiliza herramientas ya utilizadas.
Esta decisión hace que la herramienta sea mucho más entendible y confiable para los médicos nucleares, facilitando su adopción. Además, el hecho de que funcione con alta precisión en las tres modalidades clave (PET-PSMA, PET-FDG y SPECT post-tratamiento) lo convierte en una solución integral "todo en uno" para todo el proceso del paciente con cáncer de próstata en un servicio de medicina nuclear. Aunque la limitación en la detección hepática es real, la honestidad de los autores al reconocerla y proponer soluciones futuras refuerza la credibilidad del estudio. Considero que la publicación de estos modelos en código abierto es un gran gesto que acelerará enormemente la validación multicéntrica necesaria para llevar estas herramientas a nuestras estaciones de trabajo.
Albert Tomas Corella
ATRYS-SIMM, TSIDMN