LLMs para el estadiaje de cáncer de próstata desde informes PSMA PET/CT usando PROMISE v2

Artículo original: Spitzl D, Mergen M, Endroes L, Spaeth C, Trager R, Braren RF, et al. LLM-powered prostate cancer staging from PSMA-PET/CT reports using PROMISE v2. Eur J Nucl Med Mol Imaging. 2026;53:5050-5059.

DOI: https://doi.org/10.1007/s00259-026-07847-w

Sociedad: European Association of Nuclear Medicine

Palabras clave: LLM, PROMISE v2, PSMA-PET/CT, prostate cancer, TNM staging

Abreviaturas y acrónimos utilizados: PSMA (antígeno de membrana prostático específico), PET (tomografía por emisión de positrones), CT (tomografía computarizada), PROMISE (evaluación estandarizada de imagen molecular del cáncer de próstata), miTNM (clasificación TNM por imagen molecular), IA (inteligencia artificial), LLM (modelo de lenguaje de gran escala), CoT (cadena de pensamiento o Chain-of-Thought), micro-F1 (puntuación F1 micro-promediada), T (tumor local), N (nódulos o ganglios linfáticos), M (metástasis).

Línea editorial del número: La línea editorial de este número de julio de 2026 de la EJNM destaca por su enfoque en la innovación terapéutica y la digitalización avanzada en oncología. Entre sus contribuciones más destacadas se encuentra el estudio pionero sobre la terapia en tándem con Terbio-161 y Actinio-225, que marca un hito como el primer uso en humanos de esta combinación radioisotópica para el cáncer de próstata metastásico resistente a la castración. 

Motivo para la selección: Elegí este artículo porque el PSMA-PET/CT es hoy la herramienta clave para entender el avance del cáncer de próstata, pero sus informes suelen ser texto libre narrativo, lo que dificulta la estructuración. La clave aquí es estructurar esa información usando el marco PROMISE v2 para que los datos sean útiles y comparables.

Lo mejor del estudio es que demuestra que una IA local puede hacer el "trabajo pesado" de clasificar el estadio (miTNM) automáticamente. Es una tarea de organización de datos que no requiere que un radiólogo pierda tiempo en ella, ya que el diagnóstico ya está en el texto; la IA solo lo "traduce" a un formato estándar. 

Resumen: La introducción del artículo destaca que el cáncer de próstata es una de las principales causas de mortalidad masculina a nivel mundial, por lo que una estadificación precisa es vital para definir el tratamiento y el pronóstico. En este contexto, el PSMA-PET/CT se ha convertido en una herramienta clave, apoyada por el marco PROMISE v2, que estandariza la clasificación molecular miTNM.

Debido a que el análisis manual de estos informes es complejo, el estudio propone el uso de IA, concretamente LLMs para automatizar la extracción de datos. Para proteger la privacidad del paciente frente a sistemas en la nube, los autores implementaron un LLM de código abierto de forma local, con el objetivo de evaluar su capacidad para estructurar informes narrativos según los criterios de PROMISE v2.

Este estudio evalúa la eficacia del LLM Meta-Llama-3.1-8B-Instruct para automatizar la extracción del miTNM a partir de una cohorte de 1,696 informes narrativos en alemán de PET/CT con PSMA, siguiendo el estándar PROMISE v2. El análisis demuestra que la eficacia de la IA depende de la estrategia de instrucciones (prompting) y de la categoría clínica analizada:

Categoría T: El método Advanced Zero-shot obtuvo el mejor rendimiento (micro-F1 = 0.65), siendo la categoría más difícil debido al uso de "lenguaje cauteloso" en los informes.

Categorías N y M: La estrategia CoT fue claramente superior, alcanzando un micro-F1 de 0.79 y 0.84 respectivamente. Esto confirma que el razonamiento estructurado mejora significativamente la precisión en estas categorías.

Hallazgo crítico: el método Few-shot (dar algunos ejemplos) resultó ineficaz (obteniendo un micro-F1 de solo 0.30 en T), ya que el modelo tendía a imitar patrones específicos de los ejemplos en lugar de aplicar las reglas generales de PROMISE v2.

En conclusión, la implementación de LLMs locales es una solución viable y escalable para generar registros de investigación masivos y servir como soporte de decisión en tiempo real, garantizando la reproducibilidad del estadiaje oncológico.

Valoración personal: algo a valorar de este trabajo es que no es un experimento pequeño, sino que analizaron un grupo enorme de 1,696 informes, lo que da mucha confianza en lo que encontraron. Es relevante el hallazgo de los fallos de la IA cuando el informe médico es ambiguo o poco claro. De hecho, tuvieron que descartar 107 casos que tenían hallazgos tan poco concluyentes que ni siquiera permitían un estadiaje definitivo. Es muy útil ver los fallos concretos que comentan los autores, como cuando el modelo se confunde al leer 'cáncer multifocal' y cree erróneamente que el tumor ya se ha extendido fuera de la próstata, o cuando se pierde una metástasis en los huesos simplemente porque no entiende abreviaturas médicas.

Albert Tomas

SIMM-ATRYS

alberttomas7@gmail.com