La planificación de tratamientos oncológicos con radioterapia exige una precisión milimétrica en la localización de la dosis. La tomografía computarizada convencional sigue siendo el estándar de referencia por su capacidad para proporcionar información de densidad electrónica, esencial para calcular la interacción de la radiación con los tejidos. Sin embargo, la adquisición repetida de TC supone una exposición adicional a radiación y una carga logística para pacientes y centros sanitarios. La resonancia magnética ofrece mejor contraste de tejidos blandos pero carece de la información de densidad necesaria para los algoritmos de cálculo de dosis. Por su parte, la tomografía computarizada de haz cónico o CBCT, habitual en los aceleradores lineales, requiere correcciones complejas para ser utilizable en dosimetría. La generación de tomografía computarizada sintética, o sCT, se ha consolidado como una solución clave: transforma imágenes de RM o CBCT en equivalentes de TC con unidades Hounsfield precisas, habilitando flujos de trabajo adaptativos basados únicamente en RM o en CBCT corregida.

El desafío SynthRAD2025, continuación del esfuerzo iniciado con SynthRAD2023, ha evaluado de forma rigurosa los métodos de sCT sobre una cohorte multicéntrica de 2.362 pacientes procedentes de cinco centros europeos, abarcando regiones de cabeza y cuello, tórax y abdomen. El concurso se estructuró en dos tareas: conversión de RM a TC con 890 casos, y conversión de CBCT a TC con 1.472 casos. Las métricas empleadas combinaron similitud de imagen (error absoluto medio, relación señal-ruido de pico, índice de similitud estructural multi-escala), precisión en segmentación mediante Dice y distancia de Hausdorff al percentil 95, y parámetros dosimétricos tanto para fotones como para protones. Con 803 participantes y entre 12 y 13 envíos válidos por tarea, los resultados mostraron que la tarea de CBCT a TC alcanzó un rendimiento superior: el mejor equipo logró un MAE de 48,3 HU, PSNR de 32,6 dB y Dice de 0,86, con tasas de aprobación gamma para fotones superiores al 99% y para protones en torno al 89%. La tarea de RM a TC, aunque notable, presentó valores más modestos: MAE de 64,8 HU y Dice de 0,79, con un gamma para fotones por encima del 98% y para protones cercano al 85%.

Un hallazgo relevante del estudio es que las correlaciones entre métricas de imagen y segmentación fueron altas, pero la correlación con métricas dosimétricas resultó moderada. Esto confirma que la calidad visual de una sCT no es un sustituto fiable de la precisión en el cálculo de dosis. Los errores residuales, especialmente en interfaces entre tejidos, se propagan a lo largo de las trayectorias de los haces, afectando de forma más crítica a los planes de protones que a los de fotones. Las regiones de cabeza y cuello mostraron la mayor consistencia, mientras que las de tórax y abdomen introdujeron mayor variabilidad. SynthRAD2025 demuestra que el aprendizaje profundo es capaz de generar sCT clínicamente relevantes, sobre todo en la modalidad CBCT a TC, y subraya la necesidad de incorporar la evaluación dosimétrica como requisito indispensable para la validación clínica de cualquier método de síntesis.

Detrás de estos avances tecnológicos se encuentra la necesidad de integrar modelos de inteligencia artificial robustos en los flujos de trabajo clínicos. Las soluciones de ia para empresas permiten entrenar, desplegar y mantener redes neuronales capaces de procesar grandes volúmenes de imágenes médicas, pero requieren una infraestructura escalable y segura. La implementación de estos sistemas se apoya en servicios cloud aws y azure que facilitan el almacenamiento, la computación paralela y la orquestación de pipelines de inferencia. En este contexto, el desarrollo de aplicaciones a medida y software a medida resulta fundamental para adaptar los algoritmos a las particularidades de cada centro hospitalario: formatos de imagen, protocolos de adquisición, sistemas de registro de pacientes y requisitos de integración con el planificador de tratamientos. Además, la monitorización continua del rendimiento de los modelos y la generación de informes periódicos se benefician de herramientas de inteligencia de negocio como power bi, que permiten visualizar la evolución de las métricas dosimétricas y de imagen a lo largo del tiempo.

El ecosistema de SynthRAD2025 también evidencia la importancia de la ciberseguridad y la privacidad de los datos de pacientes. Al manejar información sanitaria sensible, cualquier plataforma que procese imágenes debe cumplir con normativas como GDPR y ofrecer canales de comunicación cifrados. La automatización del flujo de trabajo, desde la recepción de la RM o CBCT hasta la entrega de la sCT, puede orquestarse con agentes IA que supervisen la calidad de las predicciones y alerten ante posibles desviaciones. Estos agentes, combinados con servicios de orquestación en la nube, reducen la intervención manual y aceleran la disponibilidad de los planes de tratamiento. En definitiva, el desafío SynthRAD2025 no solo marca un hito en la generación de TC sintética, sino que sirve como termómetro de las capacidades técnicas y metodológicas necesarias para trasladar la inteligencia artificial a la práctica clínica real, donde la colaboración entre expertos en radioterapia, ingenieros de software y especialistas en infraestructura cloud resulta indispensable.