La evolución de la imagen médica funcional y anatómica ha llevado a la tomografía por emisión de positrones combinada con tomografía computarizada (PET/CT) a convertirse en una herramienta imprescindible en oncología. Sin embargo, la interpretación manual de estudios de cuerpo completo sigue siendo una tarea intensiva en tiempo y susceptible a variabilidad interobservador. En este contexto, la segmentación automatizada de lesiones mediante inteligencia artificial ha emergido como un campo de alto impacto, donde competiciones como el autoPET Challenge, en su tercera edición vinculada a MICCAI 2024, han puesto sobre la mesa desafíos reales de generalización composicional: la capacidad de un modelo entrenado con ciertos trazadores y centros de adquisición para desempeñarse correctamente ante combinaciones nunca vistas.

Desde una perspectiva técnica, el problema no se limita a la precisión volumétrica. La heterogeneidad de los datos, la variabilidad en los protocolos de adquisición y la diversidad de trazadores como FDG y PSMA introducen sesgos que los algoritmos deben aprender a gestionar. Los resultados de esta competición revelan que, aunque los modelos basados en arquitecturas nnU-Net con concatenación de canales PET/CT han alcanzado un rendimiento cercano al acuerdo entre lectores humanos en condiciones dentro del dominio, la generalización a combinaciones no observadas sigue siendo un desafío abierto, caracterizado principalmente por una sobreestimación sistemática del volumen. Esto refleja que el problema no es solo algorítmico, sino que depende en gran medida de la calidad y diversidad de los datos de entrenamiento, así como de la dificultad inherente de cada caso.

Para las empresas que operan en el sector sanitario y tecnológico, este tipo de hallazgos subraya la importancia de desarrollar aplicaciones a medida que puedan integrar pipelines de inteligencia artificial robustos ante la variabilidad del mundo real. La creación de software a medida para el procesamiento de imágenes médicas no solo debe considerar la precisión del modelo, sino también la capacidad de escalar en infraestructuras cloud, la trazabilidad de los datos y la seguridad de la información del paciente. En Q2BSTUDIO entendemos que implementar servicios cloud aws y azure permite desplegar soluciones de IA para empresas con la elasticidad necesaria para manejar grandes volúmenes de estudios PET/CT, mientras que las estrategias de ciberseguridad garantizan el cumplimiento normativo en entornos regulados.

Más allá de la competición académica, la segmentación automatizada de lesiones abre la puerta a aplicaciones clínicas donde la inteligencia artificial no reemplaza al radiólogo, sino que lo asiste en la detección temprana y la cuantificación precisa de la carga tumoral. La incorporación de agentes IA que puedan adaptarse a nuevos trazadores o protocolos sin necesidad de reentrenamiento completo es una línea de investigación activa. De hecho, el análisis por paciente y por lesión realizado en el autoPET3 muestra que la heterogeneidad de cada caso es un factor de variación mucho mayor que la elección del algoritmo entre los equipos mejor clasificados. Esto sugiere que las estrategias centradas en los datos, como el aumento de datos, la normalización de imágenes y la gestión de sesgos, son tan críticas como la arquitectura de la red.

Para las organizaciones que buscan incorporar estas capacidades, la combinación de inteligencia artificial con herramientas de servicios inteligencia de negocio como power bi permite visualizar métricas de rendimiento de los modelos y correlacionarlas con variables clínicas, facilitando la toma de decisiones informadas. En Q2BSTUDIO ofrecemos soluciones que integran desde la automatización de procesos hasta el despliegue de modelos en producción, asegurando que la tecnología no solo sea precisa, sino también operativa y sostenible en el tiempo. La lección principal del autoPET3 es clara: la generalización composicional sigue siendo un reto, pero con un enfoque multidisciplinario que combine datos de calidad, infraestructura cloud robusta y algoritmos bien diseñados, es posible avanzar hacia sistemas de segmentación automatizada que realmente impacten en la práctica clínica.