En radioterapia, la precisión puede salvar vidas. Los oncólogos deben mapear cuidadosamente el tamaño y la ubicación de un tumor antes de administrar dosis altas de radiación para destruir las células cancerosas y preservar el tejido sano. Sin embargo, este proceso, llamado segmentación tumoral, todavía se realiza manualmente, requiere tiempo, varía entre médicos y puede llevar a que se pasen por alto áreas tumorales críticas.
por la Universidad Northwestern
Ahora, un equipo de científicos de Northwestern Medicine ha desarrollado una herramienta de inteligencia artificial llamada iSeg que no solo combina a los médicos para delinear con precisión los tumores de pulmón en las tomografías computarizadas, sino que también puede identificar áreas que algunos médicos pueden pasar por alto, informa un nuevo estudio de gran tamaño.
A diferencia de las herramientas de IA anteriores que se centraban en imágenes estáticas, iSeg es la primera herramienta de aprendizaje profundo en 3D que ha demostrado segmentar los tumores a medida que se mueven con cada respiración, un factor fundamental en la planificación del tratamiento de radiación , que la mitad de todos los pacientes con cáncer en los EE. UU. reciben durante su enfermedad.
«Estamos un paso más cerca de tratamientos contra el cáncer aún más precisos de lo que cualquiera de nosotros imaginó hace apenas una década», afirmó el Dr. Mohamed Abazeed, autor principal y presidente y profesor de oncología radioterápica en la Facultad de Medicina Feinberg de la Universidad Northwestern.
«El objetivo de esta tecnología es brindarles a nuestros médicos mejores herramientas», agregó Abazeed, quien lidera un equipo de investigación que desarrolla herramientas basadas en datos para personalizar y mejorar el tratamiento del cáncer y es miembro del Centro Oncológico Integral Robert H. Lurie de la Universidad Northwestern.
El estudio se publicará el 30 de junio en la revista npj Precision Oncology .
Cómo se construyó y probó iSeg
Los científicos de Northwestern entrenaron iSeg utilizando tomografías computarizadas y contornos tumorales dibujados por médicos de cientos de pacientes con cáncer de pulmón tratados en nueve clínicas de los sistemas de salud de Northwestern Medicine y Cleveland Clinic. Esto supera con creces los pequeños conjuntos de datos de un solo hospital utilizados en muchos estudios anteriores.
Tras el entrenamiento, la IA se probó con exploraciones de pacientes que no había visto antes. Sus contornos tumorales se compararon con los dibujados por médicos. El estudio reveló que iSeg coincidía consistentemente con los contornos de expertos en distintos hospitales y tipos de exploración. También detectó áreas adicionales que algunos médicos pasaron por alto, y estas áreas omitidas se asociaron con peores resultados si no se trataban. Esto sugiere que iSeg podría ayudar a detectar regiones de alto riesgo que a menudo pasan desapercibidas.
«La orientación precisa del tumor es la base de una radioterapia segura y eficaz , donde incluso pequeños errores en la orientación pueden afectar el control del tumor o causar una toxicidad innecesaria», dijo Abazeed.
«Al automatizar y estandarizar el contorno tumoral, nuestra herramienta de IA puede ayudar a reducir las demoras, garantizar la equidad en todos los hospitales y, potencialmente, identificar áreas que los médicos podrían pasar por alto, mejorando en última instancia la atención al paciente y los resultados clínicos», agregó el primer autor Sagnik Sarkar, tecnólogo de investigación sénior en Feinberg y máster en Ciencias en inteligencia artificial de Northwestern.
El despliegue clínico es posible «en un par de años»
El equipo de investigación está probando iSeg en entornos clínicos , comparando su rendimiento con el de los médicos en tiempo real. También están integrando funciones como la retroalimentación de los usuarios y trabajando para expandir la tecnología a otros tipos de tumores, como el cáncer de hígado, el cáncer de cerebro y el cáncer de próstata. El equipo también planea adaptar iSeg a otros métodos de diagnóstico por imagen, como la resonancia magnética y la tomografía por emisión de positrones (PET).
«Consideramos esto como una herramienta fundamental que podría estandarizar y mejorar la forma en que se abordan los tumores en oncología radioterápica, especialmente en entornos donde el acceso a la experiencia de subespecialidades es limitado», dijo el coautor Troy Teo, instructor de oncología radioterápica en Feinberg.
«Esta tecnología puede ayudar a brindar una atención más consistente en todas las instituciones, y creemos que su implementación clínica podría ser posible dentro de un par de años», agregó Teo.
Más información: Aprendizaje profundo para la segmentación tumoral automatizada con resolución de movimiento en radioterapia, npj Precision Oncology (2025). DOI: 10.1038/s41698-025-00970-1
Leyenda de imagen principal:
El autor del estudio, Troy Teo, señala la herramienta de IA que creó. Crédito: Universidad Northwestern
