Herramienta de IA genera TC sintéticas para apoyar la planificación de radioterapia

La planificación de la radioterapia depende de una imagen médica precisa para calcular la dosis, visualizar los órganos y posicionar a los pacientes durante el tratamiento. Los hospitales necesitan grandes conjuntos de datos de imagen para entrenar modelos robustos de inteligencia artificial, pero la información sensible de los pacientes es difícil de compartir debido a las normas de privacidad y a las barreras organizativas.

Estas limitaciones pueden ralentizar el desarrollo de herramientas que respaldan los flujos de trabajo clínicos. Ahora, los investigadores han desarrollado técnicas de inteligencia artificial seguras, más sostenibles y respetuosas con la privacidad para la imagen médica en radioterapia.

Investigadores del Instituto de Tecnología de Karlsruhe (KIT; Karlsruhe, Alemania) investigaron técnicas de aprendizaje federado para aplicaciones de radioterapia. El aprendizaje federado permite entrenar un modelo compartido de inteligencia artificial en distintos sitios descentralizados mientras los datos de los pacientes permanecen en las instituciones donde se recopilaron. En lugar de transferir información sanitaria sensible, los hospitales participantes intercambian solo actualizaciones del modelo, lo que permite combinar el conocimiento de múltiples centros sin centralizar los datos de los pacientes.

El trabajo se centró en sintetizar imágenes de tomografía computarizada (TC) a partir de otras modalidades de imagen utilizadas en la planificación de la radioterapia. Los investigadores desarrollaron y probaron métodos para generar imágenes de TC sintética del cerebro y de la región de la cabeza y el cuello. Estos enfoques son relevantes porque la TC es necesaria para calcular la dosis, mientras que la RM proporciona una visualización de alto contraste de los órganos y la TC de haz cónico facilita el posicionamiento del paciente durante el tratamiento.

Los investigadores encontraron que los modelos federados podían entrenarse en varios hospitales sin intercambiar datos sensibles de los pacientes. También examinaron si era posible reconstruir información de pacientes individuales a partir de un modelo de inteligencia artificial entrenado e informaron que bastaban adaptaciones relativamente menores para fortalecer los sistemas federados frente a este tipo de ataque a la seguridad de los datos.

Los hallazgos se publicaron en varios artículos en Computers in Biology and Medicine en 2025, Frontiers in Digital Health en 2026, el Journal of Medical Systems en 2026 y Sustainable Computing: Informatics and Systems en 2026.

El trabajo incluyó FedSynthCT-Brain, un marco de aprendizaje federado para la síntesis multicéntrica de RM cerebral a TC, así como un marco que preserva la privacidad para la traducción de TC de haz cónico a TC sintética en imágenes de cabeza y cuello. En el trabajo centrado en la sostenibilidad, el tiempo de entrenamiento y las emisiones de dióxido de carbono se redujeron entre un 9% y un 23% sin afectar la calidad de la imagen sintética.

“La protección de datos por sí sola no es suficiente. Si los sistemas federados van a utilizarse en la práctica médica en el futuro, tenemos que tener en cuenta los posibles riesgos de seguridad desde el principio”, dijo Ciro Benito Raggio, investigador del grupo de investigación Biomedical Imaging for Modeling and Simulation de la profesora Maria Francesca Spadea en el Instituto de Ingeniería Biomédica del Instituto de Tecnología de Karlsruhe. 

“Dependiendo de la arquitectura del modelo, pudimos reducir el tiempo necesario para el entrenamiento y las emisiones de CO₂ entre un 9% y un 23% sin afectar la calidad de las imágenes sintéticas. Las optimizaciones de este tipo podrían beneficiar especialmente a los hospitales pequeños, ya que a menudo no disponen de muchos recursos informáticos”, añadió Raggio.

Enlaces relacionados
Instituto de Tecnología de Karlsruhe