Albers Acosta, Eduardo; Pelari-Mici Lira; Velasco Balanza, Clara; Saavedra Centeno, Manuel; Sánchez Ramírez, Ana; Celada Luis, Guillermo; Quicios Dorado, Cristina; San José Manso, Luis Alberto.
Servicio de Urología. Hospital Universitario de La Princesa. Instituto de Investigación Sanitaria – Hospital Universitario de La Princesa. Universidad Autónoma de Madrid.
Resumen
El cáncer de próstata metastásico (CAPm) sigue siendo una de las principales causas de mortalidad relacionada con el cáncer a nivel mundial, presentando desafíos significativos debido a su heterogeneidad, resistencia a tratamientos y la falta de biomarcadores predictivos claros. En esta revisión, exploramos el potencial de la inteligencia artificial (IA) en el manejo del CAPm enfocándonos en sus aplicaciones en la estratificación del riesgo, imágenes y el análisis de ADN tumoral circulante (ctDNA). Los modelos impulsados por IA han demostrado una mayor precisión al categorizar perfiles de riesgo y predecir respuestas al tratamiento mediante la integración de datos clínicos, imágenes y genómica. En el ámbito de las imágenes, los algoritmos de IA combinados con modalidades avanzadas como el PET/TAC con PSMA han mostrado una mejora en la detección de micrometástasis. Además, la integración de la IA en el análisis de ctDNA permite el monitoreo no invasivo de la carga tumoral y la identificación de mutaciones, allanando el camino hacia estrategias terapéuticas personalizadas. Aunque la IA ofrece un potencial significativo para revolucionar el cuidado del CAPm, persisten desafíos relacionados con la calidad de los datos, la validación de modelos y su implementación clínica. Abordar estas limitaciones y fomentar colaboraciones interdisciplinares será fundamental para aprovechar el potencial de la IA en la oncología de precisión.
Palabras clave: inteligencia artificial, cáncer de próstata metastásico, estratificación del riesgo, biomarcadores.
Introducción
El cáncer de próstata es el segundo tipo de cáncer más común en hombres a nivel mundial y una de las principales causas de mortalidad relacionada con el cáncer. Mientras que el cáncer de próstata localmente avanzado tiene un pronóstico relativamente favorable con los tratamientos estándares, el cáncer de próstata metastásico (CAPm) presenta desafíos clínicos significativos debido a su alta heterogeneidad, resistencia a terapias convencionales y la falta de biomarcadores predictivos claros (1). En las etapas avanzadas de la enfermedad, la capacidad de los tratamientos tradicionales para proporcionar una atención personalizada adaptada a las características específicas de cada paciente es limitada, lo que impulsa la exploración de nuevas tecnologías que podrían mejorar los resultados clínicos y la calidad de vida de los pacientes.
Uno de los avances más prometedores en oncología es el uso de la inteligencia artificial (IA), que ha demostrado ser una herramienta poderosa para mejorar la precisión diagnóstica y optimizar la planificación terapéutica. A través de algoritmos de aprendizaje automático y profundo, permite el análisis de grandes volúmenes de datos clínicos, de imágenes y genómica, ofreciendo potencialmente una mejor capacidad para predecir la progresión de la enfermedad, identificar opciones de tratamiento personalizadas y mejorar los resultados a largo plazo.
Esta revisión se centra en el papel emergente de la IA en el manejo del CAPm, examinando su posible impacto, desde el diagnóstico hasta el seguimiento posterior al tratamiento. Exploramos las aplicaciones de algoritmos de aprendizaje avanzados basados en imágenes, que han demostrado un rendimiento excepcional al interpretar resonancias magnéticas, tomografías computarizadas y biopsias para una detección más temprana y precisa de las lesiones metastásicas. Además, se explora el uso de la IA en el análisis del ADN tumoral circulante (ctDNA), que ha demostrado ser una técnica prometedora para monitorear la carga tumoral e identificar mutaciones clave asociadas con la resistencia al tratamiento (2). Este enfoque integrado tiene el potencial de transformar el manejo del CAPm, permitiendo decisiones clínicas más informadas, una mayor personalización del tratamiento y, en última instancia, mejores resultados para los pacientes.
Métodos
Esta revisión se llevó a cabo de acuerdo con las directrices de los elementos de información preferidos para revisiones sistemáticas y metaanálisis (PRISMA). Se realizó una búsqueda sistemática en cuatro bases de datos electrónicas: PubMed, Scopus, Embase y Cochrane. La estrategia de búsqueda incluyó los siguientes términos: «cáncer de próstata», «avanzado», «metastásico», «inteligencia artificial», «aprendizaje automático», «aprendizaje profundo», «resonancia magnética», «tomografía por emisión de positrones» y «ADN tumoral circulante». Se aplicaron operadores boleanos (p. ej., AND, OR) para refinar la consulta y combinar términos de manera efectiva. Además, se realizó una búsqueda manual en revistas científicas líderes para garantizar una cobertura integral de la literatura relevante.
Los criterios de inclusión fueron: estudios publicados entre 2010 y 2025, artículos centrados en aplicaciones de IA en el manejo de CAPm avanzado y estudios que presentaran datos originales, análisis sistemáticos o revisiones. Se incluyeron artículos en idiomas distintos del inglés si había disponible un resumen en inglés. Los criterios de exclusión incluyeron resúmenes de conferencias y artículos sin texto completo accesible.
Dos revisores independientes examinaron los títulos y resúmenes en busca de relevancia. Los artículos en texto completo se evaluaron en cuanto a rigor metodológico, calidad de los datos y relevancia para los objetivos de esta revisión. Las discrepancias entre los revisores se resolvieron mediante discusión o consulta con un tercer revisor. La extracción de datos se realizó utilizando un formulario estandarizado, capturando características del estudio, metodologías de IA y resultados clínicos.
Resultados
1. Inteligencia artificial en la estratificación del riesgo y predicción de respuesta al tratamiento
1.1. Modelos de estratificación del riesgo
La IA ha emergido como una herramienta transformadora en la estratificación del riesgo del CAPm, permitiendo un manejo más preciso y personalizado de los pacientes. Al integrar diversas fuentes de datos, incluidos parámetros clínicos, hallazgos histopatológicos y estudios de imágenes, los modelos impulsados por IA pueden categorizar de manera efectiva a los pacientes según sus perfiles de riesgo.
Avances recientes han demostrado el potencial de la IA para mejorar los métodos tradicionales de evaluación del riesgo. Por ejemplo, un estudio publicado en JCO Clinical Cancer Informatics desarrolló un modelo multimodal de IA que integra imágenes histopatológicas digitales con datos clínicos. Este modelo superó a los grupos de riesgo de la National Comprehensive Cancer Network (NCCN) en la predicción de resultados de los pacientes, lo que sugiere un enfoque más matizado para la estratificación del riesgo (3).
Además, una investigación publicada en 2022 exploró el desarrollo de un algoritmo de aprendizaje basado en IA para predecir el tiempo hasta el cáncer de próstata resistente a la castración y en pacientes con cáncer de próstata metastásico hormono-sensible. Utilizando láminas de biopsia digital, el algoritmo de aprendizaje logró una precisión del 80% al diferenciar entre casos sensibles y no sensibles al bloqueo hormonal, confirmando su utilidad para identificar a los pacientes que probablemente se beneficien de una terapia prolongada de bloqueo androgénico combinado (4).
1.2. Modelos predictivos de respuesta al tratamiento
Los algoritmos han avanzado significativamente en la predicción de respuestas al tratamiento en el CAPm, permitiendo estrategias terapéuticas más personalizadas y efectivas. Al analizar diversas fuentes de datos, los modelos de IA pueden prever las respuestas individuales de los pacientes a diferentes tratamientos.
Un ejemplo es el desarrollo del software de IA «Dr. Answer», que utiliza modelos de predicción de resultados clínicos para asistir en la toma de decisiones terapéuticas para pacientes con cáncer de próstata sometidos a prostatectomía radical. Esta herramienta tiene como objetivo mejorar la toma de decisiones clínicas al integrar datos específicos de los pacientes para predecir los resultados con mayor precisión (5). De manera similar, Derbal et al. examinan el papel de la IA generativa (OncoGPT) en la terapia adaptativa para el CAPm (6). La IA predice las respuestas al tratamiento analizando biomarcadores como el PSA, la testosterona y datos de biopsia líquida. Aunque OncoGPT mejora la precisión y la toma de decisiones, los desafíos incluyen mitigar alucinaciones, garantizar la calidad de los datos clínicos y validar las predicciones en entornos del mundo real. El estudio enfatiza la importancia de integrar estos modelos en los flujos de trabajo clínicos para mejorar los resultados de los pacientes.
Los algoritmos de IA también se han utilizado para estimar el volumen tumoral, lo cual está asociado con la probabilidad de recurrencia o metástasis del cáncer. Por ejemplo, los investigadores de Mass General Brigham desarrollaron un modelo de IA capaz de identificar y medir lesiones agresivas de cáncer de próstata, proporcionando información pronóstica valiosa (7,8).
A pesar de estos avances, persisten desafíos en la implementación clínica de modelos predictivos basados en IA. Un estudio publicado en Frontiers in Oncology destacó la necesidad de modelos predictivos de alta calidad y validados externamente para guiar la selección de tratamientos en la práctica clínica (9). El estudio señaló que los modelos existentes a menudo carecen de evaluaciones de desempeño y validación externa, subrayando la necesidad de realizar más investigaciones para desarrollar herramientas confiables para predecir respuestas al tratamiento.
En resumen, los modelos predictivos impulsados por IA tienen un potencial significativo para mejorar la personalización de los planes de tratamiento en pacientes con CAPm. Es esencial continuar con la investigación y la validación para superar las limitaciones actuales e integrar plenamente estas tecnologías en la práctica clínica.
2. Algoritmos predictivos basados en imágenes
La identificación y el monitoreo precisos del CAPm son esenciales para optimizar las estrategias de tratamiento y mejorar los resultados de los pacientes. Los avances recientes en modalidades de imagen, incluyendo la resonancia magnética (RM), la tomografía por emisión de positrones/tomografía computarizada (PET/CT) y la radiómica, han mejorado significativamente la detección, caracterización y estadificación de la enfermedad metastásica. La integración del PET con antígeno de membrana específico de la próstata (PSMA) ha refinado aún más nuestra comprensión del CAPm, facilitando planes de tratamiento personalizados.
2.1. Papel del PSMA PET/CT en la identificación de micrometástasis
El PSMA PET/CT ha surgido como una herramienta transformadora en la detección de micrometástasis en el cáncer de próstata. La alta sensibilidad y especificidad del PSMA PET/CT para identificar lesiones metastásicas pequeñas y subclínicas supera a la de las modalidades de imagen convencionales. Esta capacidad es particularmente valiosa en casos de recurrencia bioquímica o enfermedad oligometastásica, donde la detección temprana y precisa de micrometástasis puede influir significativamente en las estrategias terapéuticas.
La inteligencia artificial IA se está integrando cada vez más en los flujos de trabajo del PSMA PET/CT para mejorar la detección de lesiones, automatizar la segmentación y cuantificar la carga tumoral, reduciendo así la variabilidad entre observadores y mejorando la precisión diagnóstica. Estos avances no solo facilitan una planificación de tratamiento más personalizada, sino que también prometen mejores resultados al permitir una intervención más temprana en el CAPm (10).
2.2. Aplicaciones de la IA en imágenes: características y clasificación de lesiones usando radiómica.
Las técnicas de IA pueden mejorar la interpretación de características, la clasificación de lesiones, la segmentación automatizada y el monitoreo de metástasis, contribuyendo a una atención más precisa y personalizada para los pacientes.
La radiómica, que implica la extracción de características de alta dimensión a partir de imágenes médicas, ha surgido como una herramienta valiosa en el CAPm. Al cuantificar características de las imágenes, como textura, forma e intensidad, la radiómica puede proporcionar información sobre el microambiente tumoral, predecir respuestas al tratamiento y ayudar a identificar signos tempranos de metástasis. Los estudios han demostrado que la radiómica, cuando se combina con RM y PET/CT, puede ayudar a diferenciar entre lesiones benignas y malignas, predecir resultados de supervivencia y evaluar la eficacia del tratamiento en pacientes con CAPm (11).
Por ejemplo, un estudio demostró que un modelo de IA podía seleccionar características específicas de PET/CT con 18F-Colina asociadas con los resultados de pacientes con cáncer de próstata de alto riesgo, ayudando en el pronóstico y la planificación del tratamiento (12).
Otro estudio desarrolló un sistema en la RM de clasificación utilizando radiómica y características de imágenes ponderadas por T2 e imágenes ponderadas por difusión para predecir los puntajes de Gleason en el cáncer de próstata. Este enfoque permite una evaluación no invasiva de la agresividad del tumor, reduciendo potencialmente la necesidad de procedimientos invasivos (13).
3. IA y ADN circulante (ctDNA)
La integración de la IA en el análisis del ctDNA está transformando la gestión del CAPm. Esta sinergia permite una estratificación de riesgos más precisa, una predicción más efectiva de las respuestas al tratamiento y un monitoreo continuo de la enfermedad.
3.1. Importancia del ctDNA en el cáncer de próstata
El ctDNA, que consiste en fragmentos de ADN liberados al torrente sanguíneo por las células tumorales, actúa como un biomarcador no invasivo para evaluar la progresión de la enfermedad y la resistencia terapéutica en el cáncer de próstata. La detección de mutaciones específicas en el ctDNA puede reflejar la carga tumoral y predecir la respuesta al tratamiento. Por ejemplo, la presencia de variantes del gen TP53 en el ctDNA se ha asociado con una menor supervivencia libre de metástasis en pacientes con cáncer de próstata localizado, lo que destaca su potencial en la estratificación temprana de riesgos (14,15).
3.2. IA en el análisis de biopsias líquidas
La aplicación de IA en el análisis del ctDNA mejora significativamente la detección de mutaciones accionables y el monitoreo de la enfermedad residual mínima. Los algoritmos de aprendizaje automático pueden procesar de manera eficiente grandes cantidades de datos genómicos para identificar alteraciones genéticas relevantes, lo que puede ayudar a tomar decisiones de tratamiento personalizadas.
Existen diversas aplicaciones basadas en IA, que incluyen modelos de aprendizaje automático capaces de analizar datos genómicos complejos, identificar mutaciones accionables y asistir en la predicción de resultados del tratamiento (16). Este potencial de la IA en biopsias líquidas puede revolucionar la gestión del cáncer, permitiendo un monitoreo en tiempo real, no invasivo, de la progresión del cáncer y la respuesta al tratamiento.
Además, los enfoques multiómicos impulsados por IA, que integran datos de ctDNA con información transcriptómica y proteómica, proporcionan una comprensión más completa del panorama molecular del tumor. Este enfoque mejora la detección temprana y la vigilancia continua del monitoreo de la enfermedad residual mínima, ofreciendo un potencial significativo para refinar las estrategias de tratamiento y mejorar los resultados de los pacientes (17).
DISCUSIÓN
La IA en la gestión del CAPm está transformando rápidamente las prácticas clínicas, con el potencial de revolucionar la precisión diagnóstica, las estrategias de tratamiento y los resultados de los pacientes. La capacidad de la IA para analizar conjuntos de datos complejos, que incluyen información clínica, de imágenes y genómica, ha avanzado significativamente en los modelos de estratificación de riesgos y en la predicción de respuestas al tratamiento, ofreciendo un enfoque más personalizado y dirigido para la atención. Los modelos como la IA multimodal y los algoritmos de aprendizaje profundo (3,4), han mostrado resultados prometedores al categorizar a los pacientes según sus perfiles de riesgo y predecir la progresión del CAPm. Estos modelos pueden integrar diversas fuentes de datos, incluidas imágenes histopatológicas y parámetros clínicos, para mejorar los métodos tradicionales de estratificación de riesgos. Al identificar pacientes de alto riesgo y predecir la probabilidad de progresión de la enfermedad o la respuesta a la terapia, los modelos de IA podrían guiar en la toma de decisiones, mejorando en última instancia los resultados de los pacientes.
Además de la estratificación de riesgos, la IA ha demostrado un potencial en las aplicaciones de técnicas de imágenes, particularmente en la identificación de lesiones metastásicas. El uso del PSMA PET/CT en conjunto con algoritmos de IA está mejorando la detección de micrometástasis, permitiendo intervenciones más tempranas y una planificación del tratamiento más precisa. También ha demostrado ser una herramienta valiosa para automatizar la segmentación de lesiones metastásicas y cuantificar la carga tumoral, contribuyendo aún más al desarrollo de tratamiento personalizados. Por ello, la capacidad de la IA para predecir respuestas al tratamiento basándose en datos de imágenes e histopatología permite ajustar las estrategias terapéuticas, mejorando potencialmente las tasas de supervivencia y minimizando las toxicidades relacionadas con el tratamiento (11,12,13).
Un desarrollo particularmente interesante es el uso de la IA en el análisis de ctDNA, que actúa como un biomarcador no invasivo para monitorear la progresión de la enfermedad y la respuesta al tratamiento en CAPm. Los algoritmos de IA están mejorando la capacidad de detectar mutaciones accionables en el ctDNA, facilitando decisiones de tratamiento personalizadas y permitiendo el monitoreo continuo de la enfermedad residual mínima (16). Al integrar datos de ctDNA con otras capas ómicas, como transcriptómica y proteómica, los enfoques multiómicos impulsados por IA están ofreciendo una comprensión más completa del paisaje molecular del cáncer de próstata, lo que podría ayudar a detectar recurrencias más temprano y mejorar la vigilancia (17).
Sin embargo, persisten algunos desafíos a pesar del potencial de la IA en la gestión del CAPm. Su implementación en la práctica clínica requiere datos de alta calidad y validación rigurosa para garantizar su fiabilidad y precisión. Además, deben abordarse las preocupaciones éticas sobre la transparencia de los modelos de IA y sus procesos de toma de decisiones. La naturaleza de «caja negra» de algunos sistemas de IA plantea desafíos para los clínicos, ya que puede ser difícil comprender cómo estos modelos llegan a recomendaciones específicas (18). Es fundamental desarrollar modelos de IA interpretables que proporcionen una justificación clara para sus predicciones, garantizando la confianza y la responsabilidad en la toma de decisiones. Además, deben considerarse cuidadosamente los problemas relacionados con la rentabilidad y la seguridad del paciente, ya que la integración de tecnologías de IA en los sistemas de salud requiere una inversión sustancial y validación mediante ensayos clínicos.
La investigación futura debería centrarse en colaboraciones multicéntricas para desarrollar modelos de IA robustos y validados externamente. Además, los esfuerzos para mejorar la transparencia de los algoritmos y la educación de los clínicos facilitarán la integración de la IA en la práctica rutinaria. La combinación de la IA con tecnologías emergentes, como biopsias líquidas y enfoques multiómicos, tiene un gran potencial para avanzar en la oncología de precisión en el CAPm. El potencial de la IA en el análisis de ctDNA, particularmente para monitorear mecanismos de resistencia y guiar decisiones terapéuticas, merece una mayor exploración.
Conclusión
La IA tiene un potencial significativo en la gestión del cáncer de próstata metastásico CAPm, ofreciendo mejoras en la precisión diagnóstica, la personalización del tratamiento y los resultados generales de los pacientes. Al integrar diversas fuentes de datos, como información clínica, de imágenes y genómica, la IA puede mejorar la estratificación del riesgo y predecir las respuestas al tratamiento con mayor precisión.
La incorporación de técnicas avanzadas de imagen, como el PSMA PET/CT, junto con algoritmos de IA, permite una detección más precisa de micrometástasis, lo cual es esencial para optimizar las estrategias de tratamiento. Además, los modelos impulsados por IA han demostrado su capacidad para automatizar procesos críticos, incluyendo la segmentación de lesiones y la estimación de la carga tumoral, mejorando así la eficiencia y reduciendo la variabilidad en la práctica clínica.
Asimismo, la aplicación de la IA en el análisis del ADN tumoral circulante ctDNA ofrece un método no invasivo para el monitoreo continuo de la enfermedad y la identificación de biomarcadores clave relacionados con la resistencia terapéutica. A medida que estas tecnologías basadas en IA continúan evolucionando, están preparadas para mejorar significativamente la atención personalizada y conducir a mejores resultados clínicos para los pacientes con CAPm.
Aplicaciones de la inteligencia artificial en el cáncer de próstata metastásico: comparación de modelos y resultados clínicos.
Autores | Año | Objetivo Principal |
Tward JD et al. | 2024 | Desarrollar un sistema de clasificación de riesgo clínico utilizable basado en modelos de IA multimodal que supere a los grupos de riesgo actuales del NCCN. |
Nakata W et al. | 2022 | Desarrollar un algoritmo de aprendizaje profundo basado en IA para predecir el tiempo hasta el cáncer de próstata resistente a la castración con terapia de bloqueo androgénico combinado. |
Rho MJ et al. | 2020 | Evaluar la importancia de los modelos de predicción de resultados clínicos para el cáncer de próstata tratado con prostatectomía radical utilizando IA. |
Derbal Y | 2025 | Estudio de caso hipotético sobre la aplicación de transformadores generativos preentrenados en el tratamiento del cáncer de próstata metastásico. |
Liu J et al. | 2024 | Evaluar la capacidad de la IA para mejorar la generación de informes, el diagnóstico y las capacidades predictivas en CAPm en PSMA PET. |
Yang DD et al. | 2024 | Evaluar si el volumen total del tumor intraprostático generado por IA proporciona información pronóstica independiente en pacientes con cáncer de próstata localizado tratados con radioterapia o prostatectomía radical. |
Lawlor A et al. | 2024 | Identificar modelos predictivos disponibles que evalúen la respuesta al tratamiento de pacientes con CAPm. |
Lindgren Belal S et al. | 2024 | Resumir la investigación disponible sobre el desarrollo y aplicaciones de la IA en PSMA PET/CT para la imagenología del cáncer de próstata. |
Liberini V et al. | 2022 | Describir la literatura actual sobre IA y radiómica aplicadas a la imagenología molecular del cáncer de próstata. |
Alongi P et al. | 2021 | 1) Investigar el análisis de texturas de imágenes de PET/CT colina en pacientes con cáncer de próstata. 2) Proponer un modelo radiómico de aprendizaje automático capaz de seleccionar características PET predictivas de progresión de la enfermedad en pacientes con cáncer de próstata de alto riesgo en la reclasificación. |
Toivonen J et al. | 2019 | Desarrollar y validar un sistema de clasificación para predecir el puntaje de Gleason del cáncer de próstata utilizando características de radiómica y textura de imágenes ponderadas por T2, imágenes ponderadas por difusión con valores altos de b y mapeo T2 en la RMN. |
Eickelschulte S et al. | 2022 | Destacar los biomarcadores más prominentes de tejido y biopsia líquida para la detección y evaluación del riesgo del cáncer de próstata agresivo. |
Bonstingl L et al. | 2024 | Proporcionar un ensayo avanzado multiplexado basado en mRNA in situ que revela biomarcadores predictivos adicionales en *CTCs. |
Morrison G et al. | 2022 | Evaluar la viabilidad del análisis celular y molecular concurrente de CTCs y cfDNA combinado con análisis radiómico de escaneos CT de pacientes con cáncer de próstata resistente a la castración metastásico. |
Chen G et al. | 2023 | Evaluar la importancia de la detección temprana del cáncer y la vigilancia de la enfermedad residual molecular basada en datos multiómicos de sangre. |
*CTCs: célula tumoral circulante.
Referencias bibliográficas:
- Yun JW, Lee S, Ryu D, et al. Biomarkers Associated with Tumor Heterogeneity in Prostate Cancer. Transl Oncol. 2019;12(1):43-48.
- Chen E, Cario CL, Leong L, Lopez K, Márquez CP, Li PS, Oropeza E, Tenggara I, Cowan J, Simko JP, Kageyama R, Wells DK, Chan JM, Friedlander T, Aggarwal R, Paris PL, Feng F, Carroll PR, Witte JS. Cell-Free DNA Detection of Tumor Mutations in Heterogeneous, Localized Prostate Cancer Via Targeted, Multiregion Sequencing. JCO Precis Oncol. 2021 Apr 27;5:PO.20.00428.
- Tward JD, Huang HC, Esteva A, Mohamad O, van der Wal D, Simko JP, DeVries S, Zhang J, Joun S, Showalter TN, Schaeffer EM, Morgan TM, Monson JM, Wallace JA, Bahary JP, Sandler HM, Spratt DE, Rodgers JP, Feng FY, Tran PT. Prostate Cancer Risk Stratification in NRG Oncology Phase III Randomized Trials Using Multimodal Deep Learning With Digital Histopathology. JCO Precis Oncol. 2024 Oct;8:e2400145. doi: 10.1200/PO.24.00145. Epub 2024 Oct 24.
- Nakata W, Mori H, Tsujimura G, Tsujimoto Y, Gotoh T, Tsujihata M. Pilot study of an artificial intelligence-based deep learning algorithm to predict time to castration-resistant prostate cancer for metastatic hormone-naïve prostate cancer. Jpn J Clin Oncol. 2022;52(9):1062-1066.
- Rho MJ, Park J, Moon HW, Lee C, Nam S, Kim D, et al. (2020) Dr. Answer AI for prostate cancer: Clinical outcome prediction model and service. PLoS ONE 15(8): e0236553.
- Derbal Y. Adaptive Treatment of Metastatic Prostate Cancer Using Generative Artificial Intelligence. Clin Med Insights Oncol. 2025 Jan 6;19:11795549241311408.
- Liu J, Cundy TP, Woon DTS, Lawrentschuk N. A Systematic Review on Artificial Intelligence Evaluating Metastatic Prostatic Cancer and Lymph Nodes on PSMA PET Scans. Cancers (Basel). 2024 Jan 23;16(3):486.
- Yang DD, Lee LK, Tsui JMG, et al. AI-derived Tumor Volume from Multiparametric MRI and Outcomes in Localized Prostate Cancer. Radiology. 2024;313(1):e240041.
- Lawlor A, Lin C, Gómez Rivas J, Ibáñez L, Abad López P, Willemse PP, Imran Omar M, Remmers S, Cornford P, Rajwa P, Nicoletti R, Gandaglia G, Yuen-Chun Teoh J, Moreno Sierra J, Golozar A, Bjartell A, Evans-Axelsson S, N’Dow J, Zong J, Ribal MJ, Roobol MJ, Van Hemelrijck M, Beyer K; PIONEER Consortium. Predictive Models for Assessing Patients’ Response to Treatment in Metastatic Prostate Cancer: A Systematic Review. Eur Urol Open Sci. 2024 Apr 4;63:126-135.
- Lindgren Belal S, Frantz S, Minarik D, et al. Applications of Artificial Intelligence in PSMA PET/CT for Prostate Cancer Imaging. Semin Nucl Med. 2024;54(1):141-149.
- Liberini V, Laudicella R, Balma M, et al. Radiomics and artificial intelligence in prostate cancer: new tools for molecular hybrid imaging and theragnostics. Eur Radiol Exp. 2022;6(1):27. Published 2022 Jun 15.
- Alongi P, Stefano A, Comelli A, et al. Radiomics analysis of 18F-Choline PET/CT in the prediction of disease outcome in high-risk prostate cancer: an explorative study on machine learning feature classification in 94 patients. Eur Radiol. 2021;31(7):4595-4605.
- Toivonen J, Montoya Perez I, Movahedi P, et al. Radiomics and machine learning of multisequence multiparametric prostate MRI: Towards improved non-invasive prostate cancer characterization. PLoS One. 2019;14(7):e0217702. Published 2019 Jul 8.
- Eickelschulte S, Riediger AL, Angeles AK, et al. Biomarkers for the Detection and Risk Stratification of Aggressive Prostate Cancer. Cancers (Basel). 2022;14(24):6094. Published 2022 Dec 11. doi:10.3390/cancers14246094
- Bonstingl L, Zinnegger M, Sallinger K, Pankratz K, Müller CT, Pritz E, Odar C, Skofler C, Ulz C, Oberauner-Wappis L, Borrás-Cherrier A, Somođi V, Heitzer E, Kroneis T, Bauernhofer T, El-Heliebi A. Advanced single-cell and spatial analysis with high-multiplex characterization of circulating tumor cells and tumor tissue in prostate cancer: Unveiling resistance mechanisms with the CoDuCo in situ assay. Biomark Res. 2024 Nov 16;12(1):140.
- Morrison G, Buckley J, Ostrow D, et al. Non-Invasive Profiling of Advanced Prostate Cancer via Multi-Parametric Liquid Biopsy and Radiomic Analysis. Int J Mol Sci. 2022;23(5):2571. Published 2022 Feb 25.
- Chen G, Zhang J, Fu Q, Taly V, Tan F. Integrative analysis of multi-omics data for liquid biopsy [published correction appears in Br J Cancer. 2023 Feb;128(4):702. doi: 10.1038/s41416-022-02068-y]. Br J Cancer. 2023;128(4):505-518.
- Chan B. Black-box assisted medical decisions: AI power vs. ethical physician care. Med Health Care Philos. 2023;26(3):285-292.