La startup francesa Raidium anunció el 16 de julio el lanzamiento en Estados Unidos de Raidium Read (R.Read), una plataforma de imagen oncológica nativa en IA que automatiza la detección, la medición y el seguimiento longitudinal de lesiones tumorales en estudios de tomografía y resonancia magnética. Dirigida inicialmente a centros de investigación oncológica, la solución ya funciona en el Moffitt Cancer Center de Florida, uno de los principales centros oncológicos estadounidenses, donde sustituyó una herramienta heredada de radiómica, según el comunicado de la empresa.
Qué automatiza R.Read en el flujo oncológico
Según el material de lanzamiento, R.Read ofrece detección de lesiones en cuerpo entero, segmentación asistida por IA con máscaras editables por el radiólogo y transferencia automática de lesiones entre estudios de seguimiento y exámenes previos. Sobre esa base, la plataforma genera mediciones RECIST automatizadas e independientes del órgano a lo largo de múltiples puntos temporales, además de informes estructurados conformes con RECIST 1.1 exportables en PDF.
La empresa afirma que su enfoque reduce tres veces la variabilidad entre lectores y acelera hasta diez veces la anotación de lesiones frente al flujo manual, cifras divulgadas por la propia Raidium que aún esperan validación independiente a gran escala. Otro argumento comercial es la adopción sin requisitos de integración: los centros oncológicos podrían empezar a usar la herramienta sin largos proyectos de conexión con el PACS, según el comunicado.
Quién es Raidium: fundadores, Curia y 16 millones de euros
Fundada en 2022 en París por el radiólogo Paul Hérent y el científico de datos Pierre Manceron, ambos exintegrantes de Owkin, Raidium levantó una ronda semilla de 16 millones de euros coliderada por los fondos Newfund y Kurma Partners, con participación de Debiopharm, Founders Future, Galion.exe y la agencia ejecutiva del Consejo Europeo de Innovación. Hoy la empresa tiene oficinas en París y en Silicon Valley.
El corazón de la plataforma es Curia, un modelo fundacional de imagen médica que, según la empresa, se entrena con un acervo del orden de mil millones de imágenes del mundo real. En el caso específico de la segmentación de lesiones oncológicas, Raidium reporta validación con más de 50.000 lesiones anotadas y coeficientes DICE de 0,85 en resonancia y 0,74 en tomografía en modo semiautomático, de nuevo datos publicados por el propio fabricante.
Por qué medir tumores consume tanto tiempo
RECIST 1.1, el estándar internacional para evaluar la respuesta tumoral, exige que el radiólogo seleccione lesiones diana, mida sus diámetros mayores, sume los valores y compare el resultado con el estudio basal y con el nadir histórico del paciente. En cada seguimiento hay que reabrir los estudios previos, reidentificar cada lesión y repetir las mediciones de forma consistente, un trabajo minucioso que se multiplica en pacientes metastásicos con una docena o más de lesiones y en ensayos clínicos con lectura central independiente.
Ese cuello de botella es justamente el objetivo de los modelos fundacionales. En lugar de entrenar un algoritmo por órgano o por tarea, estos modelos aprenden representaciones generales de la anatomía humana a partir de volúmenes masivos de datos y luego se adaptan a tareas específicas como detección, segmentación y medición. La lógica es análoga a la de los grandes modelos de lenguaje, y explica por qué la prensa especializada describió a Raidium como un intento de crear el «GPT de la radiología».
IA nativa frente a IA acoplada al PACS
La mayoría de las herramientas de IA en uso clínico funciona como complemento: el algoritmo procesa el estudio en paralelo y devuelve resultados como series DICOM estáticas o notificaciones dentro del PACS heredado. Una plataforma nativa en IA invierte esa relación: el visor se construye alrededor del modelo y el radiólogo interactúa con las segmentaciones en tiempo real, corrigiendo contornos y propagando mediciones entre fechas. El comunicado de Raidium cita que cerca del 70% de los dispositivos médicos con IA autorizados por la FDA pertenecen a la radiología, pero que el 41% de los radiólogos considera que las herramientas actuales no cubren sus necesidades, según una encuesta de Philips de 2025.
El movimiento se suma a una ola de consolidación de la IA en la imagen oncológica que incluye desde el acuerdo de IA en oncología entre Sheba y Dana-Farber hasta dispositivos ya autorizados como el ecógrafo con IA Philips Alturion autorizado por la FDA.
Qué implica para radiólogos y centros oncológicos
Para el radiólogo, la promesa es trasladar tiempo de medición manual hacia la interpretación y la decisión clínica, con mediciones más reproducibles entre lectores. Para los centros de investigación, la estandarización de los endpoints de imagen puede abaratar los ensayos clínicos y hacer viables los análisis de carga tumoral total, hoy poco prácticos en la rutina. En Moffitt, un radiólogo de la institución afirmó durante el lanzamiento que el enfoque unificado permite explorar proyectos de investigación que antes parecían imposibles. En América Latina, donde la demanda de seguimiento oncológico por imagen crece más rápido que la oferta de subespecialistas, estas herramientas deberán pasar además por los registros sanitarios nacionales antes de llegar a la práctica asistencial.
Regulación, validación y próximos pasos
Por ahora, R.Read está disponible solo para investigación y ensayos clínicos. Raidium afirma que busca la autorización 510(k) de la FDA para un subconjunto de funciones y espera anunciarla antes de fin de 2026. Hasta entonces, la prueba decisiva será la validación independiente: rendimiento fuera de la base de entrenamiento, robustez entre equipos y protocolos y publicación revisada por pares. El escepticismo es sano en un momento en que las imágenes sintéticas generadas por IA ya engañan a radiólogos, señal de que la madurez técnica de los modelos avanza más rápido que los mecanismos de verificación.
Fuente: AuntMinnie
