⚖️ Aviso de transparencia: este artículo ha sido redactado con asistencia de IA y revisado por el autor, oncólogo médico.
¿Cuántas lesiones tiene este paciente?
Cuando un paciente con cáncer de próstata metastásico resistente a castración (mCRPC) comienza un tratamiento con ¹⁷⁷Lu-PSMA, una de las preguntas más críticas es cuantificar la carga tumoral: cuántas lesiones hay, dónde se localizan y qué volumen ocupan. Esta información es fundamental para calcular la dosimetría y decidir la continuidad del tratamiento. Sin embargo, delimitar estas lesiones manualmente en las imágenes de PET/CT y SPECT/CT es un proceso lento, difícil de reproducir y poco escalable cuando existen decenas de metástasis. Es aquí donde la segmentación automática mediante deep learning ofrece una solución prometedora.
El estudio: cuatro modelos, un mismo objetivo
Un equipo francés (Centro Henri Becquerel de Ruan y Hospital Universitario de Nantes) evaluó la capacidad de la arquitectura nnU-Net para segmentar automáticamente las lesiones en imágenes de PSMA. El estudio incluyó a 73 pacientes con mCRPC tratados con ¹⁷⁷Lu-PSMA (48 de un centro, 25 de otro) y comparó cuatro modelos:
| Modelo | Entrenamiento | Inferencia |
|---|---|---|
| M1 | PET/CT | PET/CT |
| M2 | SPECT/CT | SPECT/CT |
| M3 | PET/CT + SPECT/CT (conjunto) | PET/CT o SPECT/CT |
| M4 | SPECT guiado por PET | SPECT/CT con la segmentación del PET como información previa |
Todas las imágenes fueron segmentadas manualmente por cuatro médicos nucleares en consenso (el “patrón oro” para la validación). El entrenamiento y la validación interna se realizaron en un centro, mientras que la validación externa se llevó a cabo en el segundo centro. La métrica principal es el coeficiente de Dice (DSC), que mide el solapamiento entre la segmentación automática y la manual: 1 indica una coincidencia perfecta y 0 una ausencia total de solapamiento.
Resultados: el PET guía al SPECT
Para segmentar el PET/CT (⁶⁸Ga-PSMA), los modelos mostraron un buen rendimiento: el M1 alcanzó un DSC de 0,83 ± 0,19 en validación interna y 0,76 ± 0,22 en la externa, cifras comparables a las del modelo conjunto M3. El mayor reto técnico era el SPECT/CT (¹⁷⁷Lu-PSMA), que presenta menor resolución espacial y mayor ruido. En este escenario, la estrategia ganadora fue el M4 (SPECT guiado por PET): en validación externa obtuvo un DSC de 0,78 ± 0,14 frente al 0,70 ± 0,25 del modelo que solo utilizaba SPECT (M2), con una diferencia estadísticamente significativa (p = 0,014). Esto demuestra que la información del PET, debido a su mayor resolución, mejora significativamente la segmentación de las imágenes terapéuticas del SPECT.
¿Qué hace exactamente la IA?
nnU-Net es una red neuronal convolucional diseñada para segmentar imágenes médicas que ajusta automáticamente los preprocesamientos y la arquitectura según el tipo de estudio. En este caso, los médicos nucleares no “instruyen” a la IA sobre qué es tumor y qué no; en su lugar, la red es entrenada con miles de ejemplos previamente delimitados hasta que aprende a identificar el patrón. La clave del estudio no es la arquitectura en sí, sino la estrategia: utilizar la segmentación del PET como un “mapa previo” para guiar la del SPECT, aprovechando la alta resolución del PET para identificar con precisión las lesiones que luego se cuantifican en el SPECT.
Por qué importa en la consulta
Hoy, la dosimetría de las terapias con ¹⁷⁷Lu-PSMA exige segmentar las lesiones, una tarea que actualmente se realiza de forma manual o con herramientas semiautomáticas que demandan horas de trabajo del médico nuclear. Un sistema automático validado externamente permitiría calcular volúmenes tumorales y dosis absorbidas de manera reproducible y escalable, incluso en pacientes con enfermedad muy diseminada. Es un paso necesario para transitar de un modelo de “administramos 7,4 GBq y evaluamos la respuesta” hacia una medicina basada en la dosis real absorbida por cada lesión. Para el oncólogo, contar con una medida objetiva de la carga tumoral antes y después de cada ciclo es una herramienta clínica de gran valor.
Pero con cautela
El estudio presenta limitaciones que deben considerarse. Se trata de una cohorte de 73 pacientes, de carácter retrospectivo y proveniente de solo dos centros. La calidad del SPECT/CT es heterogénea entre instituciones y la segmentación manual de referencia, aunque realizada por consenso de cuatro expertos, conlleva su propia variabilidad intrínseca. Los índices de similitud (DSC) en SPECT siguen siendo discretos (en torno a 0,7-0,8) y no todos los modelos mejoran en validación interna: la ventaja del modelo M4 solo alcanza significación en la cohorte externa. Además, la validación externa se realizó en un solo centro; la verdadera prueba de fuego será la implementación de estos modelos en entornos con diferentes escáneres y protocolos. Nada de esto está listo para la práctica clínica sin supervisión humana.
La lectura para el clínico
La segmentación automática de lesiones en PSMA está madurando: el algoritmo nnU-Net segmenta el PET/CT con solvencia (DSC ~0,8) y la estrategia de guiar el SPECT mediante el PET mejora lo que resulta más complejo: la imagen terapéutica. Aunque aún no sustituye la labor del médico nuclear, el camino hacia la dosimetría personalizada y la cuantificación automática de la respuesta —dos pilares para optimizar el ¹⁷⁷Lu-PSMA— pasa por sistemas como este. Cuando un paciente incluya el “volumen tumoral total” medido por IA en su informe, este tipo de investigación será la base que lo haga posible.
Referencia
Perret S, Albe L, Edet-Sanson A, et al. Automatic lesion segmentation in ⁶⁸Ga-PSMA PET/CT and ¹⁷⁷Lu-PSMA SPECT/CT: added value of PET-guided SPECT in a bicentric study. EJNMMI Research, 2026. DOI: 10.1186/s13550-026-01468-y · PMID: 42387196