ONCOPILOT, un modelo base radiológico, surge como una solución prometedora para la evaluación de tumores sólidos en imágenes de tomografía computarizada. Este innovador modelo ha sido entrenado con aproximadamente 7,500 tomografías, abarcando tanto anatomías normales como casos oncológicos, con el objetivo de superar las limitaciones de modelos previos y ofrecer una precisión a nivel de radiólogos en medidas RECIST 1.1.
Una de las grandes innovaciones de ONCOPILOT es su capacidad para realizar segmentaciones tridimensionales de tumores utilizando indicaciones visuales sencillas como puntos y cajas delimitadoras. Esta funcionalidad no solo mejora en comparación con modelos de vanguardia como el basado en nnUnet, sino que también permite que los radiólogos interfieran en el proceso para mejorar la precisión, brindando una solución más interactiva y que acorta la variabilidad entre lecturas.
El modelo es particularmente ventajoso en el análisis volumétrico, una técnica considerada más sensible que las mediciones lineales tradicionales al reflejar cambios en la carga tumoral. Este avance puede desbloquear nuevos biomarcadores volumétricos, permitiendo una estratificación más precisa de pacientes y mejorando el cuidado clínico de manera integral.
Para evaluar su efectividad, ONCOPILOT fue comparado con un panel de radiólogos usando un conjunto de validación de 67 tumores provenientes de diversos órganos. El modelo mostró un nivel de precisión rivalizando al de los radiólogos, destacándose en la medición de ejes largos, reduciendo significativamente el error promedio y el tiempo que toman los radiólogos para realizar estas evaluaciones.
Sin embargo, se identificaron ciertas áreas de mejora. La performance óptima de ONCOPILOT se vio limitada particularmente en tumores pulmonares, posiblemente debido a su tamaño y complejidad morfológica. Esto se debe abordar en futuras iteraciones del modelo para asegurar su aplicabilidad en una gama aún más amplia de casos clínicos.
En conclusión, ONCOPILOT representa un paso significativo hacia la incorporación de modelos de inteligencia artificial explicables en la práctica radiológica diaria, apuntando a mejorar la precisión diagnóstica y optimizar el tiempo clínico de los profesionales de salud. A medida que la tecnología madura, es esperable que estas herramientas lleven eventualmente a un cuidado mayor y más adaptado a las necesidades específicas de cada paciente.