Interactive Lesion Segmentation in Whole-Body PET/CT and Longitudinal CT: The autoPET/CT-IV Challenge

En la lucha contra el cáncer, los médicos dependen de potentes cámaras que ven dentro del cuerpo humano, capturando imágenes de cómo se comportan los órganos y los tejidos. Dos de las herramientas más importantes son las tomografías por emisión de positrones (PET), que iluminan las áreas donde las células queman energía a un ritmo elevado, y las tomografías computarizadas (CT), que proporcionan un mapa detallado de la estructura física del cuerpo. Cuando los médicos observan estas imágenes, deben encontrar diminutos puntos, a menudo irregulares, donde el cáncer se ha asentado. Esta tarea no consiste solo en detectar un punto aislado; implica medir exactamente cuánto del cuerpo está afectado y observar cómo esos puntos cambian a lo largo de semanas o meses a medida que el tratamiento surte efecto. Hacer esto a mano es lento, agotador y propenso a las diferencias entre médicos, lo que puede conducir a una atención inconsistente. Para ayudar, los científicos han pasado años enseñando a las computadoras a realizar este trabajo de forma automática, pero estas máquinas suelen tener dificultades cuando las imágenes son diferentes de aquellas con las que fueron entrenadas, o cuando los focos de cáncer son muy pequeños o tenues.

Un nuevo estudio reúne a un grupo global de investigadores para probar un enfoque diferente: en lugar de pedir a las computadoras que lo hagan todo solas, preguntaron qué tan bien puede trabajar una computadora cuando un médico humano la ayuda paso a paso. Los investigadores organizaron una competencia, conocida como el Desafío autoPET/CT-IV, donde equipos de todo el mundo presentaron sus mejores programas informáticos para resolver dos problemas específicos. El primer problema consistía en observar un conjunto de imágenes y permitir que un humano hiciera clic en la pantalla para guiar a la computadora, corrigiendo sus errores sobre la marcha. El segundo problema era mucho más difícil: pedía a la computadora que observara el escaneo actual de un paciente y predijera exactamente cómo sería el cáncer en un escaneo futuro, basándose únicamente en las imágenes del pasado. El objetivo era ver si la mezcla de la guía humana con la inteligencia artificial podía crear una herramienta que fuera tanto precisa como lo suficientemente confiable como para usarse en hospitales reales.

Los resultados mostraron que, cuando se le permite a un médico humano guiar a la computadora mediante clics sencillos, la máquina se vuelve significativamente mejor en su trabajo. En la primera tarea, donde los participantes debían delinear los focos de cáncer en un solo escaneo, el mejor programa informático partió de una suposición aproximada y luego mejoró a medida que el médico simulado hacía clic en las áreas que la máquina omitía o erraba. Tras diez rondas de estas correcciones, el contorno de la computadora coincidió con la forma real del cáncer con un AUC de 0.74. Esto supuso una clara mejora respecto a la computadora intentándolo por sí sola, y el sistema funcionó bien en diferentes tipos de escaneos y de distintos hospitales. El estudio encontró que, si bien la computadora mejoró en la detección del cáncer, ocasionalmente comenzó a marcar tejido sano como si fuera cáncer cuando se le daban demasiadas correcciones, lo que sugiere un delicado equilibrio entre encontrar cada punto y no generar falsas alarmas.

Sin embargo, cuando los investigadores pidieron a las computadoras que predijeran cómo cambiaría el cáncer con el tiempo, los resultados fueron mucho menos alentadores. En la segunda tarea, los programas debían observar un escaneo basal y adivinar dónde estaría el cáncer en un seguimiento meses después. El mejor programa en esta categoría logró coincidir con los focos de cáncer con solo un 38 por ciento de precisión. Esta baja puntuación resalta lo difícil que es para una máquina comprender que un tumor puede reducirse, desaparecer o moverse a una nueva ubicación. La computadora tendía a asumir que si un punto estaba allí antes, seguiría estando allí después, lo que provocaba errores cuando el cáncer realmente desaparecía o cuando aparecían nuevos puntos. El estudio sugiere que, si bien las computadoras se están volviendo excelentes para encontrar lo que es actualmente visible con un poco de ayuda humana, aún no están listas para predecir de manera confiable el comportamiento futuro de una enfermedad por sí mismas.

La competencia también reveló que el tipo de cáncer y la máquina específica utilizada para tomar las imágenes importaban mucho. Los programas que funcionaban bien en un conjunto de imágenes a veces tenían dificultades con otros, demostrando que las herramientas siguen siendo sensibles a las condiciones específicas bajo las cuales se tomaron los escaneos. Los investigadores señalaron que la computadora era particularmente buena encontrando puntos grandes y brillantes, pero a menudo pasaba por alto los más pequeños y tenues, que son los más peligrosos porque son fáciles de pasar por alto. Al probar estos sistemas con miles de escaneos reales de pacientes de múltiples países, el estudio proporcionó una imagen clara de dónde se encuentra la tecnología hoy en día. Confirmó que el camino más prometedor no es reemplazar al médico con una máquina, sino construir una asociación donde la computadora se encargue del trabajo pesado de encontrar los puntos, y el experto humano intervenga para solucionar las partes complicadas.

En última instancia, este trabajo muestra que el futuro de la imagenología oncológica probablemente reside en este tipo de colaboración. La computadora puede procesar la vasta cantidad de datos en segundos, ofreciendo un primer borrador del diagnóstico, mientras que el médico proporciona el juicio final para asegurar que no se pase nada por alto. El estudio concluye que, si bien el sueño de un sistema totalmente automático que pueda predecir la progresión de la enfermedad sigue fuera del alcance, las herramientas para el diagnóstico interactivo asistido están listas para ser probadas en clínicas reales. Al combinar la velocidad de la inteligencia artificial con la comprensión matizada de un experto humano, los médicos podrían pronto ser capaces de rastrear el cáncer con mayor precisión y ajustar los tratamientos más rápidamente, brindando a los pacientes una mejor oportunidad de recuperación. El camino a seguir está claro: construir sistemas que aprendan de la corrección humana, en lugar de intentar reemplazar al humano por completo.