Introducción
En los pacientes con diagnóstico de cáncer de próstata, el centellograma óseo con 99mTc-metilendifosfonato (MDP) representa una de las técnicas diagnósticas más comúnmente indicadas para detectar metástasis y evaluar la repuesta terapéutica, debido a su alta sensibilidad(1). Sin embargo, su especificidad es limitada ya que las lesiones óseas benignas (ej. osteoartritis, traumatismos, etc.) producen una reacción osteoblástica que puede ser indistinguible de la generada como respuesta a procesos malignos(1).
Recientemente, en el análisis de imágenes médicas(2) se han investigado las redes neuronales convolucionales (CNN), algoritmos de inteligencia artificial (IA) que permiten identificar el cáncer colo-rectal, pulmonar, etc, técnicas también aplicadas en la centellografía ósea de pacientes con cáncer de próstata para clasificar los hallazgos(3,4,5).
Con el fin de simplificar la complejidad de los algoritmos de aprendizaje automático (“machine learning”, ML por su sigla en inglés) que emplean las CNN, se han desarrollado diferentes algoritmos automáticos (AutoML) de ML, uno de los cuales es Auto-WEKA (incluido en la plataforma WEKA), cuya simplicidad de implementación ha facilitado el acceso a la IA a los profesionales de salud no expertos, para ejecutar modelos predictivos, comparable con las técnicas tradicionales aplicadas en ML(6).
El objetivo este trabajo fue clasificar la centellografía ósea corporal total con 99mTc-MDP de pacientes con cáncer de próstata en no metastásico y metastásico, empleando el algoritmo Auto-WEKA.
