Aprenentatge profund per a la Medició Automatitzada de SUV i Volum Tumoral Molecular en Imatges de [68Ga]PSMA-11, [18F]DCFPyL, [18F]FDG, i [177Lu], Lu-PSMA-617 amb Xarxa de Consens Regional de Llindar Global

01.12.2025

Article 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: 10.2967/jnumed.125.270077

Societat: Journal of Nuclear Medicine. JNM.

Paraules clau: PSMA; [18F]FDG; càncer de pròstata; aprenentatge automàtic; biomarcadors d'imatge.

Abreviatures i acrònims utilitzats: Metastatic Castration-Resistant Prostate Cancer (mCRPC), Prostate-Specific Membrane Antigen (PSMA), Positron Emission Tomography (PET), Single Photon Emission Computed Tomography (SPECT), 18 Fluoride Fluorodeoxyglucose ([¹⁸F]FDG), Standard Uptake Value (SUV), Global Threshold Regional Consensus Network (GTRC-Net), [¹⁷⁷Lu]Lu-PSMA-617 (LuPSMA).

Línia editorial del nombre
The Journal of Nuclear Medicine, revista oficial de la Societat de Medicina Nuclear i Imatge Molecular, ofereix als seus lectors investigacions d'avantguarda, articles científics i d'educació continuada, mantenint-se com a referent mundial al camp. A la publicació de novembre de 2025, trobem una selecció multidisciplinària d'alt impacte, amb un fort predomini de la teragnosi en càncer de pròstata i avenços significatius en intel·ligència artificial i neurologia.

Sobresurt com a article del mes un estudi sobre el valor predictiu de la imatge PET/CT-CXCR4 en la recuperació ventricular postinfart. En oncologia, es qüestionen paradigmes del càncer de pròstata metastàtic, avaluant la teràpia amb [¹⁷⁷Lu]Lu-PSMA-617 a primera línia i nous avenços en teràpia alfa ([²¹²Pb], [²²⁵Ac]).
D'altra banda, en neurologia es presenten mètodes nous per avaluar la neuroinflamació post-COVID i quantificar la proteïna Tau.

Motivo de la selecció
He seleccionat aquest article, ja que permet automatitzar i estandarditzar la selecció de pacients per a teràpia LuPSMA, resolent la variabilitat del procés manual, a més de reduir-ne l'elevat consum de temps. A més, els autors publiquen de forma oberta el model, permetent-ne l'ús i la millora per part d'altres investigadors.

Resum
El càncer de pròstata metastàtic resistent a la castració (mCRPC) continua presentant altes taxes de mortalitat, amb opcions terapèutiques limitades un cop falla la teràpia hormonal. En aquest context, la teràpia amb radiofàrmacs, específicament amb [¹⁷⁷Lu]Lu-PSMA-617, ha sorgit com una alternativa eficaç. Tot i això, la resposta clínica a aquest tractament és variable i depèn en gran mesura de l'expressió de PSMA i de l'activitat metabòlica del tumor, les quals s'avaluen mitjançant PET amb traçadors de PSMA i [¹⁸F]FDG, respectivament. L'objectiu principal d'aquest treball va ser millorar els fluxos de treball computacionals per estandarditzar la selecció de pacients i millorar-ne la capacitat pronòstica, desenvolupant un model que iguali la precisió d'un expert humà però de manera automatitzada.

Materials i Mètodes
Per a l'entrenament dels models, els autors van incloure 676 estudis PET de PSMA (utilitzant tant [⁶⁸Ga]PSMA-11 com [¹⁸F]DCFPyL), 390 estudis PET de [¹⁸F]FDG i 477 imatges SPECT quantitatives post-tractament de LuPSMA. A més, es va reservar un conjunt de prova extern compost per 56 casos per a la validació

L'estàndard de referència va ser establert mitjançant l'anotació manual d'experts en medicina nuclear usant llindars clínics (SUV ≥ 3 per a PSMA/SPECT i llindar basat en fetge per a FDG).

La innovació tècnica central, anomenada "Global Threshold Regional Consensus Network" (GTRC-Net), opera mitjançant un flux de treball híbrid en quatre etapes:

1. Umbralització Global (Selecció de Subregions): Primer, s'aplica un llindar de SUV a les imatges funcionals per identificar les regions candidates inicials d'avidesa significativa.
2. Filtratge "Watershed" (Separació): S'aplica el filtre "watershed" a les àrees identificades per separar volums grans i contigus en subregions discretes, cosa que permet identificar focus de lesió individuals dins d'una massa major.
3. Segmentació Semàntica amb nnU-Net: De manera paral·lela i independent, una xarxa nnU-Net processa les imatges d'entrada (TC i PET), classificant cada vòxel de la imatge en tres possibles classes: tumor, captació fisiològica o fons.
4. Classificació per Consens: Finalment, un classificador (perceptró multicapa) avalua les subregions candidates (pas 2). La inclusió final com a "tumor" es basa en un consens de les seves característiques i el solapament amb la predicció "tumor" de nnU-Net (pas 3).

Resultats
El model GTRC-Net va demostrar una alta precisió espacial amb un Coeficient Diu Volumètric mitjà de 0.94 a PET-PSMA, 0.84 a PET-FDG i 0.97 a SPECT-LuPSMA. La concordança de superfície mitjana va ser excel·lent, aconseguint 0.96, 0.94 i 0.99 respectivament. En la validació externa, els valors Dice es van mantenir robustos (0.95 a PSMA i 0.84 a FDG).

Pel que fa a biomarcadors quantitatius, la correlació amb experts va ser molt alta (Pearson 0.94-0.99 per a volum tumoral) i la classificació pronòstica de pacients va superar el 96% de precisió en totes les modalitats.

La detecció de metàstasis hepàtiques va mostrar una especificitat superior al 98%, tot i que la sensibilitat va variar segons la modalitat: 73.7% (PSMA), 81.8% (FDG) i 93.3% (SPECT).

Discussió
Els autors confirmen que l'aprenentatge profund (GTRC-Net) quantifica la càrrega tumoral amb qualitat experta, superant nnU-Net gràcies al seu enfocament híbrid que integra llindars de SUV, millorant la definició de vores. GTRC-Net va mostrar resultats superiors a PSMA i SPECT comparats amb FDG, a causa de la millor relació senyal-fons. La segmentació hepàtica, limitada per l'alta activitat fisiològica, persisteix com la restricció principal, suggerint l'ús futur de densitats de TC per al seu refinament.

Conclusió
L'estudi confirma la viabilitat de la delimitació automatitzada de l'extensió i avidesa del traçador al càncer de pròstata amb alta precisió. La metodologia GTRC-Net combina aprenentatge profund amb llindars clínics, produint biomarcadors quantitatius que es correlacionen bé amb els manuals. Això valida l'ús d'eines automatitzades per a l'estadificació i el seguiment en assaigs clínics i potencialment en la pràctica diària, alliberant especialistes de la tasca manual i reduint la variabilitat interobservador. Els autors han compartit models i codi per fomentar la investigació.

Valoració personal
Al meu entendre, aquest treball representa un avenç significatiu i molt necessari en el camp de la teragnosi i quantificació. El que trobo més valuós no és només la sofisticació tècnica de l'algorisme, sinó el pragmatisme clínic. A diferència de molts models de “caixa negra” que intenten reinventar la roda, els autors han optat per una solució híbrida intel·ligent que respecta i utilitza eines ja utilitzades.

Aquesta decisió fa que l'eina sigui molt més entenedora i fiable per als metges nuclears, facilitant-ne l'adopció. A més, el fet que funcioni amb alta precisió en les tres modalitats clau (PET-PSMA, PET-FDG i SPECT posttractament) el converteix en una solució integral "tot en un" per a tot el procés del pacient amb càncer de pròstata en un servei de medicina nuclear. Tot i que la limitació a la detecció hepàtica és real, l'honestedat dels autors en reconèixer-la i proposar solucions futures reforça la credibilitat de l'estudi. Considero que la publicació d'aquests models en codi obert és un gran gest que accelerarà enormement la validació multicèntrica necessària per portar aquestes eines a les nostres estacions de treball.

Albert Tomas Corella
TSIDMN - ATRYS-SIMM.

altomas@atryshealth.com