La caracterización precisa de lesiones renales a partir de tomografías computarizadas (TC) es un desafío que combina visión por computadora, aprendizaje profundo y necesidades clínicas reales. Mientras que los métodos tradicionales trabajan a nivel de paciente o de órgano, un enfoque más granular —capaz de identificar cada lesión de forma individual y asignarle atributos clínicos como tipo, tamaño, realce y atenuación— representa un salto cualitativo en el diagnóstico asistido. Este paradigma, conocido como predicción multigranular, permite generar informes estructurados que los especialistas pueden validar y utilizar directamente en la práctica clínica.

En este contexto, arquitecturas como DETR (Detection Transformer) adaptadas al volumen 3D han demostrado ser prometedoras. Un modelo reciente, denominado LesionDETR, reformula el problema como una tarea de predicción de conjuntos: a partir de un volumen de TC, el sistema emite una cantidad variable de detecciones por riñón, cada una con cuatro atributos clínicos. El entrenamiento emplea un emparejamiento húngaro basado en tamaño y distancia, junto con una función de pérdida jerárquica que vincula las salidas por ranura con objetivos a nivel de lado (riñón izquierdo/derecho). Los resultados sobre 2.619 volúmenes (788 pacientes) muestran que dos factores determinan el rendimiento: incluir una máscara de segmentación como canal de entrada, y el uso de un preentrenamiento abdominal especializado (SuPreM). Sorprendentemente, los grandes corpus genéricos no superan a una inicialización aleatoria.

Sin embargo, persisten desafíos significativos. La precisión media (mAP) para lesiones quísticas alcanza 0,190, mientras que las lesiones sólidas (raras en los datos) se mantienen en el nivel de ruido. Esto evidencia que el cuello de botella actual no es la arquitectura, sino la disponibilidad de datos etiquetados para clases minoritarias. Para abordar estas limitaciones, las empresas tecnológicas pueden jugar un papel clave. En Q2BSTUDIO desarrollamos soluciones de inteligencia artificial para empresas que integran desde la preparación de datos hasta el despliegue en entornos clínicos. Nuestro equipo combina experiencia en aplicaciones a medida con capacidades en servicios cloud AWS y Azure, permitiendo escalar modelos como LesionDETR a grandes volúmenes de estudios radiológicos y garantizando la creación de software a medida que cumpla con estándares de ciberseguridad y privacidad de datos.

Además, la integración de agentes IA capaces de analizar automáticamente las detecciones y generar informes estructurados abre la puerta a flujos de trabajo más eficientes. Para visualizar los resultados, servicios inteligencia de negocio como Power BI permiten a los equipos hospitalarios monitorizar la casuística de lesiones, la efectividad del modelo y las tendencias poblacionales. En definitiva, la caracterización multigranular de lesiones renales es un ejemplo de cómo la IA para empresas, combinada con aplicaciones a medida y una infraestructura cloud robusta, puede transformar la radiología. El camino hacia un informe estructurado totalmente automático requiere más datos, colaboración interdisciplinaria y plataformas tecnológicas que faciliten la adopción clínica. En Q2BSTUDIO acompañamos a las organizaciones sanitarias en ese recorrido, aportando tanto el software a medida como el conocimiento en inteligencia artificial para que modelos como LesionDETR se conviertan en herramientas cotidianas de diagnóstico.