La información que figura en esta web está dirigida exclusivamente al profesional facultado para prescribir, dispensar o indicar medicamentos.

Card

Actualidad · Articulo · Cáncer de Pulmón

Investigación en Inteligencia Artificial para radioterapia: guía práctica para el clínico¹

Una guía sobre los conceptos y métodos de la inteligencia artificial (IA) en radioterapia, diseñada para el oncólogo radioterápico.¹

 

Hoebers FJP, et al. BJR Open. 2024;6(1):tzae039

 AstraZeneca · 3 min

La imagen representa la IA en oncología de radioterapia

Contexto de la IA en oncología radioterápica

 

La IA presenta un gran potencial para transformar la oncología radioterápica (OR), con múltiples aplicaciones reportadas en la literatura que van desde la optimización de la eficiencia (p.ej. segmentación automática y planificación de tratamientos) hasta modelos predictivos que impactan la toma de decisiones clínicas. Sin embargo, la adopción clínica de estos modelos predictivos es aún limitada.1

 

Parte de esta brecha se atribuye a una falta de conocimiento sobre los procesos de desarrollo de la IA entre los clínicos, lo que puede generar escepticismo y baja confianza. Por ello, existe una necesidad de formar a los clínicos actuales y futuros en el desarrollo y aplicación de la IA para fomentar una colaboración multidisciplinar efectiva entre científicos especialistas en el análisis de datos y médicos.1

 

Metodología del desarrollo de modelos de IA: un proceso estructurado

 

El desarrollo de un modelo de IA robusto y fiable sigue una serie de pasos bien definidos para asegurar su generalización y confianza para el uso clínico. El proceso es el siguiente:

 

Icono de Paso 1

Definición del problema clínico: establecer una pregunta clínica clara con un resultado medible y objetivo, que guiará todo el proceso. 1

Icono de Paso 2

Recopilación y preparación de datos: implica la extracción de datos de alta calidad de fuentes institucionales (p.ej. PACS, sistemas de planificación y la historia clínica electrónica). Es fundamental asegurar la calidad de los datos, corregir errores y completar valores faltantes. 1

Icono de Paso 3

Preprocesamiento de datos e imágenes: se estandarizan las variables y se normalizan las imágenes (ej. TC, RM, PET) para evitar sesgos en el aprendizaje del modelo. Este paso depende del diseño del algoritmo. 1

Icono de Paso 4

Selección del marco de Machine Learning (ML): dependiendo de la tarea y los datos, se eligen paradigmas como el aprendizaje supervisado (con datos etiquetados), no supervisado (para descubrir patrones), semi-supervisado (para clasificación de enfermedades) o auto-supervisado (datos sin etiquetar). 1

Icono de Paso 5

Entrenamiento y validación del modelo: el modelo se entrena con una parte de los datos y se valida con un subconjunto separado para evaluar su rendimiento. Se utilizan estrategias como la validación cruzada (k-fold) o bootstrapping para obtener una estimación robusta, especialmente en conjuntos de datos pequeños. 1

Icono de Paso 6

Evaluación del modelo: se emplean métricas específicas según el tipo de modelo (clasificación, segmentación, predicción de supervivencia) para medir su rendimiento, como el Área Bajo la Curva (AUC-ROC), el Coeficiente de Similitud de Dice (DSC) o el Índice de Concordancia (C-index). 1

 

Aplicaciones y desafíos clínicos de la IA

 

La IA tiene el potencial de ser transformadora en cada paso del flujo de trabajo en oncología radioterápica, desde el soporte a la decisión clínica hasta la optimización de procesos y la evaluación de la respuesta al tratamiento. 1

 

  • Utilidad clínica: Más allá de la precisión técnica, un modelo de IA debe demostrar valor añadido en la práctica clínica, como un aumento de la eficiencia, reducción de toxicidad, mejora de la calidad de vida o de la supervivencia. Herramientas de autosegmentación, por ejemplo, ya han demostrado mejorar la consistencia y reducir tiempos. 1
  • Generabilidad: Un desafío clave es asegurar que los modelos funcionen correctamente en poblaciones de pacientes diversas y en diferentes entornos clínicos. El acceso a datos multi-institucionales es crucial para mitigar sesgos. 1
  • Explicabilidad y confianza: Para ayudar a los médicos a comprender el razonamiento detrás de las predicciones del modelo, se desarrollan métodos de "IA explicable" (XAI), como los mapas de prominencia (saliency maps), que representan gráficamente qué partes de una imagen son más importantes para la predicción del modelo. 1
  • El rol del clínico: La colaboración ("physician-in-the-loop") en el desarrollo del modelo de la IA es fundamental. Los médicos deben participar en la definición del problema, la verificación de los datos y la evaluación del modelo para asegurar su relevancia y seguridad clínica. 1
     

Conclusiones y perspectivas futuras

 

Aunque las aplicaciones para mejorar la eficiencia, como la autosegmentación, están avanzando, el uso de modelos predictivos que influyen directamente en la toma de decisiones clínicas sigue siendo limitado. La formación de los médicos en IA es esencial para fortalecer la colaboración multidisciplinar, fomentar la aceptación y generar confianza en estas tecnologías. Desarrollos futuros como los modelos multimodales, el aprendizaje federado y la IA generativa prometen seguir transformando la atención sanitaria en oncología radioterápica. 1

IA: Inteligencia Artificial; OR: Oncología Radioterápica; PACS: Sistema de Archivo y Comunicación de Imágenes; TC: Tomografía Computarizada; RM: Resonancia Magnética; PET: Tomografía por Emisión de Positrones; ML: Machine Learning (Aprendizaje Automático); AUC-ROC: Área Bajo la Curva - Curva Característica Operativa del Receptor; DSC: Coeficiente de Similitud de Dice; C-index: Índice de Concordancia; XAI: Inteligencia Artificial Explicable

  1. Hoebers FJP, Wee L, Likitlersuang J, et al. Artificial intelligence research in radiation oncology: a practical guide for the clinician on concepts and methods. BJR Open. 2024;6(1):tzae039.

ES-38652 Octubre 2025

Contacta con nosotros

Back to top button image