IA aplicada a la radioterapia: Avances en la segmentación de la próstata para tratamientos más precisos
La radioterapia representa una de las principales modalidades de tratamiento para el cáncer de próstata localizado. En este proceso, la segmentación precisa del objetivo es un aspecto crítico para garantizar la eficacia de la intervención y la seguridad del paciente.
Uno de los desafíos fundamentales durante la radioterapia es el movimiento natural de los órganos, el cual puede provocar que el tejido canceroso reciba una dosis insuficiente de radiación, mientras que los tejidos sanos circundantes son sobreexpuestos, comprometiendo así los resultados del tratamiento. Para solucionar esto, se emplea la radioterapia adaptativa guiada por imágenes en tiempo real, que permite rastrear el tumor y ajustar la dosis según su movimiento.
Superando la dependencia de los marcadores fiduciarios
Debido al bajo contraste radiográfico de los tejidos blandos en las imágenes de kilovoltaje (kV), es habitual implantar marcadores fiduciarios que sirvan como sustitutos para localizar la posición del tumor. Sin embargo, el desarrollo de un enfoque de segmentación que no requiera estos marcadores eliminaría los riesgos, los costos y los retrasos asociados a su implantación quirúrgica.
En este contexto, se ha implementado un avance tecnológico basado en el aprendizaje profundo (*deep learning*). Se han entrenado Redes Generativas Antagónicas (GAN) condicionales y específicas para cada paciente, diseñadas para la segmentación de la próstata en imágenes de kV. Estas redes son entrenadas utilizando imágenes de kV sintéticas, generadas a partir de los propios datos de planificación e imágenes del paciente, los cuales están disponibles antes de comenzar el tratamiento.
Resultados y viabilidad clínica
Un estudio de prueba de principio a gran escala validó este sistema de segmentación sin marcadores en 30 pacientes, utilizando datos multicéntricos provenientes de dos ensayos clínicos. Los resultados confirmaron la viabilidad de rastrear el movimiento de la próstata a lo largo de todo el arco de tratamiento.
La precisión alcanzada fue notable, con una desviación absoluta media de 1,4 mm en las direcciones anterior-posterior/lateral y de 1,6 mm en la dirección superior-inferior.
Esta innovación mediante el aprendizaje profundo podría permitir que los sistemas convencionales de terapia contra el cáncer integren la guía por imágenes en tiempo real sin necesidad de hardware adicional ni la implantación de marcadores, ampliando significativamente el acceso a la radioterapia adaptativa en tiempo real.
