Investigación del OIEA sobre la delimitación del contorno con la ayuda de IA indica posibles beneficios para los pacientes con cáncer
Una investigación en la que participaron 23 países ha puesto de manifiesto la seguridad y el beneficio que supone utilizar inteligencia artificial para un paso clave y que suele conllevar mucho tiempo en el proceso del tratamiento del cáncer: la delimitación del contorno de órganos críticos. Mediante la adición de datos únicos de países de ingreso mediano y bajo a un corpus creciente de demostración científica, un proyecto coordinado de investigación del OIEA (el estudio ELAISA) demuestra de qué manera esta tecnología puede mejorar el acceso a la radioterapia en todo el mundo.
Esta delimitación del contorno de tumores y de tejidos sanos cercanos (órganos críticos) es fundamental para el uso seguro, eficaz y óptimo de la radioterapia para el tratamiento del cáncer. Sin embargo, las variaciones en la forma en que distintos observadores pueden delimitar el contorno (variabilidad entre observadores) pueden afectar tanto a la exactitud como a la coherencia de la planificación de la radioterapia. Estudios anteriores han demostrado que los talleres de orientación guiados por instructores pueden reducir esta variación entre observadores.
Pese a que casi la mitad de todos los pacientes con cáncer requiere radioterapia en algún momento, este tipo de tratamiento está infrautilizado a escala mundial, en parte debido a que no existen suficientes profesionales con capacitación clínica. Según la comisión sobre radioterapia y teranóstica de Lancet Oncology, dirigida por el OIEA, para 2050 se necesitarán más de 84 000 radioncólogos tan solo para satisfacer la demanda mundial de servicios relacionados con el cáncer que supondrán 35,2 millones de casos nuevos. “Esa cifra refleja un aumento de más del 60 % en el número de radioncólogos existentes en 2022 —señala May Abdel-Wahab, Directora de la División de Salud Humana del OIEA y codirectora de la comisión—. A medida que aumenten los casos de cáncer y la complejidad del tratamiento, los radioncólogos tendrán que dedicar aún más de su ya escaso tiempo a delimitar el contorno de los tejidos cancerosos y de los tejidos sanos que los rodean”.
Los resultados del proyecto coordinado de investigación del OIEA demostraron que la ayuda de IA no solo aumentó la calidad de la delimitación del contorno de tejidos reduciendo al mínimo de manera considerable la variabilidad entre observadores, sino que también disminuyó el tiempo empleado en la delimitación del contorno, incluso sin instrucción previa. Si bien la instrucción solo aumentó la calidad de la delimitación del contorno de dos órganos críticos, sí incrementó el efecto de ahorro de tiempo que supuso la delimitación del contorno con la ayuda de IA. Este fenómeno también pudo observarse con el paso del tiempo en el seguimiento a corto y largo plazo del estudio realizado respecto del taller guiado por instructores.
“El estudio ELAISA demuestra que la enseñanza combinada con la delimitación del contorno con la ayuda de IA fue la estrategia más eficaz para reducir el tiempo dedicado a delimitar el contorno de tejidos —explica Jesper Grau Eriksen, profesor clínico en la Universidad de Aarhus y uno de los investigadores principales del estudio—. Si se aplica adecuadamente, la implantación segura de herramientas de delimitación del contorno con ayuda de IA puede conducir al ahorro de recursos, posibilitando que más radioncólogos, en particular los que trabajan en contextos de países de ingreso mediano y bajo, traten aún a más pacientes”.
Los resultados del estudio se han publicado en la revista de oncología Journal of Global Oncology y se han presentado en las reuniones anuales de la Sociedad Europea de Radioterapia y Oncología [1]
La delimitación de contornos (o segmentación de órganos en riesgo y volúmenes blanco) es, probablemente, el área donde la IA ha tenido el impacto más disruptivo y «real» en la radioterapia actual.
Lo que antes le tomaba a un médico o físico médico entre 45 minutos y 2 horas por paciente, hoy estas herramientas lo resuelven en menos de 5 minutos, reduciendo drásticamente la variabilidad entre observadores.
Aquí presentamos las plataformas de IA más destacadas en el mercado actual para esta tarea:
Principales Soluciones de IA para Contorneo
| Software | Desarrollador | Enfoque Principal |
| Limbus Contour | Limbus AI | Rapidez extrema y procesamiento en la nube/local. |
| AutoContour | Radformation | Integración fluida con sistemas Eclipse (Varian). |
| ART-Plan | Therapanacea | Uso de aprendizaje profundo para radioterapia adaptativa. |
| GBS (Guideline Based Segmentation) | MVision AI | Segmentación basada estrictamente en guías internacionales (estandarización). |
| DLCExpert | Mirada Medical | Algoritmos basados en modelos de «Deep Learning» de alta precisión. |
Descripción de las Herramientas
1. Limbus Contour (Limbus AI)
Es una de las herramientas más populares debido a su simplicidad. Utiliza redes neuronales convolucionales (CNN) que se ejecutan de forma local, lo que protege la privacidad de los datos.
- Lo mejor: Es increíblemente rápida. En segundos genera contornos de cabeza, cuello, tórax y pelvis con una precisión que requiere ajustes mínimos por parte del médico.
2. MVision AI (GBS)
Esta IA finlandesa se enfoca en la estandarización. Uno de los grandes problemas en radioterapia es que cada médico dibuja un poco diferente. MVision entrena sus modelos basándose en las guías de consenso internacionales (como las de RTOG o EORTC).
- Lo mejor: Garantiza que los contornos de los órganos en riesgo (OAR) sigan siempre el mismo criterio clínico, sin importar quién sea el operador.
3. ART-Plan (Therapanacea)
Esta plataforma es de las más avanzadas tecnológicamente (nacida en Francia). No solo hace el contorneo inicial, sino que destaca en la radioterapia adaptativa.
- Lo mejor: Puede realizar «re-contouring» automático cuando el paciente pierde peso o el tumor cambia de forma durante las semanas que dura el tratamiento, algo vital para proteger tejidos sanos.
4. AutoContour (Radformation)
Está diseñado para integrarse como un guante en los flujos de trabajo de clínicas que usan tecnología Varian. Utiliza modelos de aprendizaje profundo para generar más de 100 estructuras diferentes.
- Lo mejor: La automatización del flujo; el software detecta cuando llega una nueva tomografía (CT) y empieza a contornear automáticamente antes de que el médico abra el caso.
5. RayStation (RaySearch Laboratories)
Aunque es un Sistema de Planificación de Tratamientos (TPS) completo, sus herramientas de Machine Learning Segmentation son punteras. Permiten al usuario incluso «entrenar» a la IA con los propios datos de la clínica para que aprenda el estilo específico de los médicos del centro.
¿Por qué son vitales estas IA para la Protección Radiológica?
Desde la perspectiva de la OIEA, estas herramientas no son solo para «ahorrar tiempo». Su importancia radica en:
- Reducción de errores: La fatiga humana tras horas de dibujo manual puede llevar a omitir parte de un órgano sano. La IA no se cansa.
- Optimización de dosis: Al tener contornos más precisos, los algoritmos de cálculo de dosis pueden ajustar mejor el haz de radiación para que el tumor reciba el máximo y el tejido sano el mínimo.
Nota del experto: A pesar de su precisión, la normativa internacional sigue exigiendo que un humano calificado (médico oncólogo radioterápico) revise y apruebe cada contorno generado por la IA antes de proceder al tratamiento.
[1]https://www.iaea.org/es/newscenter/news/una-investigacion-del-oiea-sobre-la-delimitacion-del-contorno-con-la-ayuda-de-ia-indica-posibles-beneficios-para-los-pacientes-con-cancer
