Un sistema de inteligencia artificial de código abierto para RM de próstata alcanzó un desempeño comparable al de los radiólogos en la detección de cáncer clínicamente significativo en tres cohortes externas, una diagnóstica y dos de cribado poblacional. Así lo muestra el estudio SCARLET-1, publicado en Radiology por Anindo Saha y colegas del Radboud University Medical Center (Nimega, Países Bajos), con áreas bajo la curva (AUC) de entre 0,84 y 0,89 y una concordancia con el diagnóstico de referencia de 13 a 16 puntos porcentuales por encima de la estimada para un radiólogo promedio.
Qué evaluó SCARLET-1
El nombre del estudio proviene de Scaling Artificial Intelligence for Prostate Cancer Detection on MRI to Global, Multiethnic Populations. Se trata de una validación retrospectiva y confirmatoria, con un plan estadístico registrado previamente en arXiv y un reporte conforme a las guías STARD-AI y TRIPOD+AI. En total se reunieron 22.445 estudios de RM de 21.252 hombres con sospecha de cáncer de próstata, realizados entre enero de 2012 y octubre de 2024 en 46 ciudades de 22 países, incluidos centros de Vietnam, Kenia, China y Estados Unidos.
El algoritmo evaluado es PI-CAI-2B, sucesor más liviano del sistema surgido del desafío internacional PI-CAI (Prostate Imaging: Cancer AI). Se entrenó una sola vez con 18.471 estudios de 26 ciudades y 14 países, sin reentrenamiento ni rediseño posterior, y su código fuente y pesos están disponibles en GitHub. Las imágenes provinieron de 38 modelos de equipos de 1,5 T y 3 T de cinco fabricantes.
Lo más relevante para la práctica clínica es la prueba externa, realizada en 1.974 pacientes de 20 ciudades y 12 países, procedentes de tres ensayos prospectivos ya publicados:
- PRIME (n = 476): contexto diagnóstico, hombres derivados por sospecha clínica, prevalencia de cáncer significativo del 30%;
- STHLM3-MRI (n = 1.108): cribado poblacional organizado en Suecia, prevalencia del 17%;
- IP1-PROSTAGRAM (n = 390): cribado poblacional en el Reino Unido, prevalencia del 4%.
Una aclaración: parte de la cobertura periodística mencionó «2.000 pacientes». Esa cifra corresponde solo a la cohorte de prueba externa (1.974); el estudio completo incluyó a más de 21.000 hombres.
Las cifras principales
El desenlace primario fue la concordancia entre la evaluación de la IA y el diagnóstico de referencia de cáncer grupo de grado de Gleason (GG) ≥2. La IA coincidió en el 83,0% de los casos en PRIME, el 87,9% en STHLM3-MRI y el 87,7% en IP1-PROSTAGRAM. Las concordancias esperadas para un radiólogo promedio fueron del 67,4%, 74,6% y 72,8%, respectivamente, una ventaja de unos 15,5, 13,3 y 14,9 puntos porcentuales para el algoritmo. Los criterios preespecificados de intercambiabilidad diagnóstica se cumplieron en los tres conjuntos.
Las AUC externas fueron de 0,86 en PRIME, 0,89 en STHLM3-MRI y 0,84 en IP1-PROSTAGRAM; en esta última el intervalo de confianza es amplio (0,70 a 0,95), reflejo de la baja prevalencia. El análisis de curvas de decisión mostró beneficio neto positivo tanto en umbrales orientados a no perder cáncer (10% a 30%) como en los orientados a evitar biopsias (por encima del 30%).
Un detalle metodológico importante: el comparador «radiólogo promedio» no es una relectura local. Es una estimación estadística derivada del estudio de observadores de PI-CAI, con 62 radiólogos de 45 centros en 20 países, ajustada por la prevalencia de cada cohorte. Los propios autores reconocen que esta referencia puede ser optimista frente a la variabilidad real de la práctica.
Biopsias: el efecto depende de la población
En el subgrupo de pacientes con confirmación histológica, los autores compararon la IA con las lecturas radiológicas originales (PI-RADS ≥4) en un punto de operación de alta especificidad (88% a 90%) y sensibilidad del 73% al 76%. En STHLM3-MRI, la IA detectó un 26,1% más de cánceres de alto grado (145 frente a 115), pero generó más del doble de biopsias innecesarias (47 frente a 21). En IP1-PROSTAGRAM ocurrió lo contrario: un 19,2% menos de biopsias innecesarias (21 frente a 26) con el mismo número de cánceres GG ≥2 detectados (11 frente a 11).
En PRIME, con un punto de operación de alta sensibilidad (90%, con especificidad del 58%), la IA generó un 34,2% menos de biopsias innecesarias, pero detectó un 9,1% menos de cánceres que las lecturas históricas. El mensaje de los autores es que el umbral de operación es una decisión de diseño que debe ajustarse al flujo clínico, no una propiedad fija del algoritmo.
Contexto técnico: por qué importa la validación externa
La RM multiparamétrica antes de la biopsia ya es el estándar internacional, y el tema ganó impulso con estudios de cribado que analizamos en El cribado de cáncer de próstata con RM gana fuerza y con el cambio de postura de Cochrane sobre el cribado de próstata. El cuello de botella es la lectura: la interpretación PI-RADS varía mucho entre radiólogos y depende de experiencia en uroimagen, concentrada en centros de alto volumen. Incluso en Estados Unidos, la RM prebiopsia se usa solo en un tercio de los casos.
SCARLET-1 también muestra los límites de la generalización. El desempeño fue estable entre grupos de edad, etnias, localización del tumor y estratos de riesgo (diferencia media de AUC de 0,02), pero varió mucho entre los 25 centros: el 28% tuvo AUC inferior a 0,80 y el 32% alcanzó 0,90 o más. La calidad de imagen pesó bastante, con AUC de 0,78 en estudios clasificados como PI-QUAL 1 (inadecuados) frente a 0,88 en PI-QUAL 3 (óptimos). Para quien gestiona un servicio de RM, esto confirma que el protocolo de adquisición, la preparación del paciente y el control de calidad siguen siendo decisivos, con o sin IA.
Implicaciones prácticas para América Latina
El argumento central de los autores es ampliar el acceso a la RM de próstata donde faltan especialistas, una situación muy común en buena parte de América Latina, sobre todo fuera de las grandes capitales. Un modelo abierto, entrenado con datos multiétnicos y con validación externa publicada, es un punto de partida interesante para grupos de investigación y servicios que quieran probar la herramienta con sus propios datos. Sin embargo, no reemplaza la autorización regulatoria para uso asistencial ni la validación local.
La recomendación explícita del grupo de Radboud es validar localmente y monitorear el desempeño de forma continua, porque los cambios en el perfil de pacientes, en las derivaciones o en los equipos pueden degradar la exactitud sin que resulte evidente. Los autores sugieren recalibrar o mover el punto de operación cuando la diferencia se debe a la prevalencia, y reentrenar cuando el desempeño cae en todos los umbrales. La discusión dialoga con otros frentes del diagnóstico de próstata que ya abordamos, como la biopsia guiada por PET/TC PSMA en hombres con RM negativa y el uso de IA y terapia focal en el cuidado del cáncer de próstata.
Limitaciones y próximos pasos
El estudio es retrospectivo y combina pacientes consecutivos en las pruebas externas con muestras de conveniencia en el entrenamiento. Varios análisis de subgrupos tienen muestras pequeñas. El punto de operación global usado en la prueba de intercambiabilidad se preespecificó por coherencia metodológica, no para uso clínico. Además, la mayoría de los hombres con RM negativa no se sometió a biopsia, lo que impide comparar por completo las tasas de falsos negativos de la IA y de los radiólogos y deja los resultados expuestos a sesgo de verificación parcial.
En síntesis, SCARLET-1 respalda que la IA rinde a la par de la lectura estándar, no que la supere de forma definitiva. Los ensayos prospectivos en curso deberían aclarar cómo usar puntuaciones continuas de riesgo, combinadas con datos clínicos y preferencias del paciente, en lugar de una respuesta binaria de «biopsiar o no».
Fuente: Saha A, Bosma JS, Twilt JJ et al. Artificial Intelligence for Prostate Cancer Detection and Screening on MRI in Global Populations: The SCARLET-1 Study. Radiology 2026;321(1):e262081. doi:10.1148/radiol.262081; Diagnostic Imaging; The Imaging Wire.
