Optimizar el seguimiento del cáncer es uno de los grandes desafíos de los sistemas de salud a nivel global. En Chile, cada año se diagnostican cerca de 60 mil nuevos casos y fallecen aproximadamente 30 mil personas por esta enfermedad, lo que evidencia la urgencia de avanzar en herramientas más eficientes y precisas.
LEE TAMBIÉN EN CONCIENCIA 24.7:
- Las claves y el potencial de la genética en Puerto de Ideas Antofagasta 2026
- La historia de Ramón y Cajal: el científico que dibujó el cerebro
- La arqueología dice presente en Puerto de Ideas Antofagasta: Geoglifos de Pintados busca ser Patrimonio Mundial
En este contexto, un equipo interdisciplinario de investigadores desarrolló la primera base de datos latinoamericana de imágenes oncológicas orientada al seguimiento tumoral con inteligencia artificial (IA), un avance que podría transformar la forma en que se evalúa la respuesta a tratamientos.
Un problema clave: seguimiento complejo y aún manual
El seguimiento del cáncer implica tareas altamente exigentes, como revisar múltiples imágenes médicas, identificar lesiones y compararlas en el tiempo. Para esto, se utilizan protocolos estandarizados como RECIST 1.1, ampliamente validados en la práctica clínica. Sin embargo, su aplicación sigue siendo manual, demandante y sujeta a variabilidad, lo que abre espacio para errores o diferencias en la interpretación.
Una base de datos pionera en Latinoamérica
El estudio, publicado en la revista Scientific Data bajo el título “A CT Dataset with RECIST Measurements and Comprehensive Segmentation Masks for Tumors and Lymph Nodes”, fue desarrollado por investigadores de la Universidad de Chile y la Universidad de Concepción. La base incluye:
- 1.246 lesiones segmentadas
- 58 tomografías computarizadas
- 22 pacientes con cáncer
- Tumores primarios, metástasis y ganglios linfáticos
- Mediciones clínicas basadas en RECIST 1.1
Se trata del primer conjunto de datos abierto y completo que integra segmentaciones detalladas con seguimiento longitudinal bajo estándares clínicos reales.
Inteligencia artificial y oncología: un avance necesario
Uno de los principales aportes del estudio es abordar una brecha crítica: la falta de datos clínicos bien anotados y accesibles para entrenar modelos de inteligencia artificial en salud. Hasta ahora, los repositorios existentes eran parciales o limitados a ciertos órganos. Esta nueva base permite:
- Entrenar modelos de IA más precisos
- Validar herramientas automatizadas
- Mejorar la consistencia en la evaluación tumoral
Además, el dataset ya fue utilizado para validar modelos como MedSAM y nnU-Net, referentes en segmentación médica.
Aplicaciones clínicas: hacia una medicina más precisa
El desarrollo se enmarca en el proyecto FONDEF IDeA 2023, donde también se creó una herramienta basada en IA para el seguimiento longitudinal de tumores, validada en el Hospital Clínico Universidad de Chile con un nivel de madurez tecnológica TRL 5. Aunque aún no está lista para implementación masiva, esta base de datos:
- Permite evaluar futuras herramientas clínicas
- Reduce la dependencia de procesos manuales
- Abre la puerta a una medicina personalizada y más eficiente
Datos locales para una IA más confiable
Otro punto clave es la representación de datos latinoamericanos. La mayoría de los sistemas de IA médica se entrenan con datos del hemisferio norte, lo que puede generar sesgos. Este proyecto busca corregir ese problema:
- Incorpora datos de pacientes atendidos en Chile
- Mejora la validez clínica local
- Permite evaluar herramientas en contextos reales del país
Esto es fundamental para evitar errores diagnósticos y asegurar que las soluciones funcionen correctamente en la población objetivo.
Trabajo interdisciplinario y proyección futura
El estudio reunió a médicos radiólogos, ingenieros, científicos de datos e investigadores jóvenes, quienes trabajaron en la anotación y validación de las imágenes, un proceso altamente demandante. De cara al futuro, el equipo proyecta:
- Ampliar la base de datos a nivel nacional
- Avanzar hacia un enfoque multicéntrico latinoamericano
- Representar mejor la diversidad de casos clínicos
El objetivo final es claro: construir herramientas de inteligencia artificial en salud que respondan a las necesidades reales de la región.
