Un equipo multidisciplinario, que integra conocimientos de Física, Oncología y Nutrición, desarrolló un modelo matemático inédito basado en Inteligencia Artificial (IA) en los laboratorios de la Universidad Estatal de Campinas (Unicamp). Se trata de un programa informático capaz de mapear en detalle la composición corporal de pacientes oncológicos en menos de un minuto, pudiendo contribuir a la práctica clínica y a la medicina de precisión al ofrecer pronósticos más exactos y orientaciones terapéuticas personalizadas.
La idea surgió de la necesidad de optimizar la interpretación de los exámenes de tomografía computarizada (CT), que son herramientas fundamentales en el seguimiento de pacientes con cáncer. Hasta el desarrollo del programa, mapear los tejidos del cuerpo humano en estas imágenes radiológicas era una tarea lenta y completamente manual para los investigadores.
El Dr. Jun Takahashi, físico nuclear, profesor titular del Instituto de Física Gleb Wataghin (IFGW) de la Unicamp e investigador asociado al CEPID CancerThera, relata que la evaluación manual realizada por el equipo médico con el que colaboró en el desarrollo del programa tomaba entre 30 y 60 minutos para completar el análisis de cada imagen. Además de ser lenta, la metodología tradicional estaba sujeta a grandes variaciones. La precisión dependía, por ejemplo, del nivel de cansancio del profesional, de la hora del día o del grado de atención durante la interpretación de las imágenes.
“Si consideráramos el tiempo que los investigadores tardan en realizar los análisis manualmente, serían necesarios dos años para entregar los datos”, recuerda el físico, refiriéndose al momento en que un equipo de Oncología asociado a su laboratorio solicitó la evaluación de una gran base de imágenes, que contenía cerca de 500 estudios. Frente a este cuello de botella científico y clínico, los investigadores decidieron crear una solución automatizada para responder a la demanda.
El programa informático aún no está disponible para la población y depende del interés de licenciamiento por parte de empresas del sector salud para llegar al mercado. Actualmente, se utiliza únicamente en el ámbito de investigación.
Cómo funciona el programa
El programa actúa mediante un proceso denominado “segmentación de imágenes”. Cuando un paciente se somete a una CT, la imagen final generada por el equipo muestra huesos, vísceras, músculos y grasa, todos mezclados en una compleja escala de tonos de gris. El programa con IA desarrollado por Takahashi y su equipo analiza esta imagen y crea una máscara digital, separando y coloreando cada tipo de tejido de forma autónoma y precisa.
Lo que diferencia el código desarrollado por el investigador de otros modelos genéricos disponibles en internet es su rara capacidad para identificar y separar minuciosamente el tejido muscular y tres tipos específicos de grasa: el sistema distingue el tejido adiposo subcutáneo (la grasa justo debajo de la piel), el tejido adiposo visceral (la grasa que se acumula entre las vísceras) y el tejido adiposo intramuscular (la grasa entre las fibras musculares). El análisis se realiza con base en imágenes tomográficas a la altura de la tercera vértebra lumbar (L3).
“Hoy en internet se pueden encontrar varios códigos que utilizan una imagen de CT y realizan segmentación, identificando, por ejemplo, el hígado o los riñones. Pero la separación de estos tres tejidos adiposos —intramuscular, subcutáneo y visceral— no se encuentra”, destaca. El programa también identifica y aísla la estructura ósea del paciente para evitar interferencias en los resultados.
La alta precisión del algoritmo —que presenta un margen de error estimado inferior al 5%, incluso en tejidos difíciles de interpretar como la grasa intramuscular— no se debe únicamente a la capacidad de procesamiento de los computadores. El gran diferencial fue la integración de más de una década de experiencia clínica del equipo médico colaborador directamente en la arquitectura matemática del código.
Durante el entrenamiento de la IA, los investigadores observaron que el algoritmo inicialmente confundía la médula ósea con el tejido muscular, debido a la fuerte similitud en la escala de grises, medida en Unidades Hounsfield (HU). Al incorporar la lógica de razonamiento humano de nutricionistas y médicos, la máquina aprendió a excluir primero los huesos antes de iniciar la búsqueda de los tejidos grasos. “Incorporamos esta experiencia dentro de la arquitectura del código. Es diferente de lo que suele hacerse en machine learning, donde simplemente se introducen datos en la máquina”, comenta Takahashi.
Otro hallazgo durante el desarrollo del proyecto se refiere a la calibración radiológica. Los investigadores percibieron que calibrar con precisión la intensidad de los tonos de gris en los exámenes revela información de interés clínico sobre los tejidos. En este sentido, incorporar el código desarrollado por los investigadores de la Unicamp directamente en los equipos de CT podría representar una innovación para la industria, permitiendo que el paciente reciba un informe automático de su composición corporal al salir del examen.
Inicialmente, la imagen de entrada pasa por una etapa de preprocesamiento con la aplicación de un filtro de Unidades Hounsfield (HU). A continuación, modelos basados en U-Net combinados con ResNet18 realizan la segmentación de los tejidos, clasificando músculo, tejido adiposo intramuscular, adiposo visceral y adiposo subcutáneo. Finalmente, se aplica un nuevo filtro de HU en el posprocesamiento, generando la imagen segmentada final en color. El diagrama es de autoría de los investigadores.
Cooperación inter y multidisciplinaria
Esta simbiosis entre el conocimiento humano y la operación del programa garantiza una uniformidad en el proceso que resulta crucial para la ciencia. Conocer la incertidumbre de un examen es vital, ya que esta variación cuantitativa puede modificar completamente la dosis o la vía de tratamiento elegida por el médico.
En el tratamiento del cáncer, esta tecnología basada en IA abre horizontes prometedores. El Dr. José Barreto Campello Carvalheira, oncólogo, profesor titular de la Facultad de Ciencias Médicas (FCM) de la Unicamp e investigador principal en CancerThera, lidera estudios sobre el inmunometabolismo del cáncer, área que investiga la interacción sistémica entre la enfermedad y el organismo del paciente.
Explica que, en Oncología, el enfoque del estadiaje se centra casi exclusivamente en las características del tumor. Sin embargo, la forma en que el organismo del paciente responde metabólicamente al tumor es igualmente determinante para la supervivencia.
“Una de las principales limitaciones en Oncología es la dificultad de estimar con precisión el pronóstico del paciente basándose únicamente en las características del tumor. Los estudios de composición corporal amplían esta comprensión al permitir evaluar no solo la interacción tumor-organismo, sino también la capacidad del paciente para responder a la enfermedad y al tratamiento”, detalla.
Con el nuevo programa analizando más de 500 imágenes de pacientes en apenas 30 minutos, los especialistas pueden observar en tiempo récord cómo distintas características tumorales afectan al organismo. Esta agilidad permite identificar nuevos subtipos de pacientes y, en un futuro cercano, evitar tratamientos agresivos o ineficaces.
“¿Realmente el paciente necesita quimioterapia? Cuando identificamos que un tumor pertenece a un grupo menos agresivo, es posible considerar estrategias terapéuticas menos intensas”, proyecta el oncólogo.
El impacto del programa también se extiende a la Nutrición Clínica. La Dra. Maria Carolina dos Santos Mendes, nutricionista e investigadora posdoctoral en Gestión de la Investigación — Innovación y Transferencia de Tecnología asociada a CancerThera, señala que las herramientas actuales en hospitales son limitadas, basadas en mediciones simples como circunferencia de cintura y pantorrilla.
“Hoy en la práctica clínica no es posible obtener esta información. Facilitaría mucho que, en el informe de una tomografía, además de los datos del tumor, se incluyera esta evaluación de la composición corporal”, afirma. El acceso a datos precisos permitirá intervenciones nutricionales más eficaces y tempranas.
Registro del programa e implementación en el mercado
El futuro de esta tecnología es prometedor y los próximos pasos ya están definidos. El programa informático ya se encuentra debidamente registrado con el apoyo estratégico de la Agencia de Innovación Inova Unicamp. Antes del registro, se realizó un análisis preliminar de mercado para identificar su potencial de aplicación.
Una vez protegido, la agencia actúa en la prospección de socios y en la presentación de la tecnología al sector empresarial, evaluando posibles adaptaciones comerciales o mejoras en su nivel de madurez tecnológica.
Según la Ma. Beatriz Hargrave, supervisora de transferencia de tecnologías en Inova Unicamp, “las asociaciones pueden establecerse para codesarrollo, permitiendo que la tecnología avance alineada con las necesidades del socio, aumentando las probabilidades de adopción a gran escala”.
Se espera interés por parte de empresas, ya que el programa responde a una demanda real del sector salud. Tiene gran potencial de aplicación en hospitales, clínicas y centros de diagnóstico por imagen, destacándose por la eficiencia, reducción del tiempo de análisis y mayor uniformidad de resultados.
El éxito y la precisión de la tecnología son resultado directo de la colaboración académica. Integrar Física, Oncología y Nutrición permite desarrollar innovaciones robustas y alineadas con las necesidades reales de la práctica médica.
En esta etapa, los equipos del IFGW/Unicamp y de la FCM/Unicamp trabajan en una interfaz visual amigable, con una pantalla limpia y botones interactivos que permitirán a cualquier profesional de la salud visualizar capas específicas de músculo o grasa con un solo clic.
NOTA PARA INTERESADOS: La transferencia de tecnologías protegidas de la Unicamp, como este programa informático (denominado “PC346_SEGMENTACION”), así como la formalización de acuerdos de investigación, desarrollo e innovación (I+D+i), se realiza con el apoyo estratégico de Inova Unicamp. Las empresas e instituciones interesadas en el licenciamiento deben ponerse en contacto con la agencia mediante su formulario oficial.
Texto y foto: Romulo Santana Osthues
