La dosis predicha por IA no es una categoría única. En radioterapia, la misma expresión puede referirse a una distribución 3D usada como punto de partida para objetivos de planificación, a un modelo de deep learning que genera una dosis de referencia para dose mimicking, o a una capa de automatización que no reemplaza el cálculo físico de dosis.
Esa distinción es clave al comparar MVision Dose+, RayStation deep learning planning y OptiPlan. Los tres pertenecen al movimiento hacia planificación más automatizada, pero no tienen el mismo papel técnico.
Respuesta corta
- MVision Dose+ se presenta como software de predicción de dosis que genera distribuciones VMAT clínicamente alcanzables a partir de CT y estructuras, importables al TPS mediante DICOM.
- RayStation usa modelos de deep learning para predecir una imagen de dosis que puede servir como referencia para mimic optimization dentro del TPS.
- OptiPlan debe describirse como automatización de planificación VMAT con herramientas nativas del TPS y objetivos ClearCheck. El material público actual no lo describe como motor de dosis por IA.
Predicción de dosis no es transporte de partículas
Un algoritmo como Monte Carlo simula transporte físico y deposición de energía. Un modelo de dosis predicha aprende una relación entre anatomía, estructuras, prescripción, configuración del haz o ejemplos aprobados y una distribución de dosis probable. El resultado puede reducir iteraciones, pero sigue limitado por el dominio de entrenamiento y la validación local.
En clínica, el valor no está en declarar que la red neuronal sustituye al TPS. El valor está en anticipar una dosis plausible, mostrar si el caso parece simple o tensionado y orientar objetivos antes de múltiples iteraciones manuales.
Comparación técnica
| Sistema | Papel descrito públicamente | Uso clínico probable | Cuidado editorial |
|---|---|---|---|
| MVision Dose+ | Predicción VMAT personalizada desde CT y estructuras | Dosis inicial y objetivos antes del refinamiento en el TPS | Validar por centro, protocolo, TPS, fraccionamiento y población |
| RayStation deep learning planning | Predicción voxel a voxel con modelos tipo U-net y dose mimicking | Plan ejecutable generado dentro de RayStation y refinable como plan convencional | Separar dosis predicha, cálculo final y aprobación clínica |
| Radformation OptiPlan | Automatización VMAT con herramientas del TPS y ClearCheck | Menos iteraciones y menor variabilidad entre planificadores | No llamarlo predicción de dosis por IA sin documentación específica |
MVision Dose+: distribución 3D como punto de partida
La página de Dose+ informa que el producto crea distribuciones VMAT alcanzables desde CT y conjuntos de estructuras usando transferencia DICOM simple. El punto técnico importante es que el modelo produce una dosis 3D que puede entrar al flujo de planificación.
El estudio NCCC Newcastle es útil porque compara Dose+ con flujos automatizados y manuales en próstata. La lección no es un número aislado, sino cómo un servicio puede validar una herramienta de predicción dentro de un TPS y protocolo específicos.
RayStation: dosis predicha para mimic optimization
RaySearch describe un modelo que recibe un volumen multicanal de estructuras y produce una imagen de dosis voxel a voxel. La dosis predicha se almacena en RayStation y puede usarse como referencia para mimic optimization. El plan final permanece dentro del TPS y puede refinarse y evaluarse de modo convencional.
Esto se conecta con el artículo existente sobre RayStation collapsed cone y Monte Carlo: deep learning puede generar una referencia de planificación, mientras el motor físico calcula la dosis final del plan.
OptiPlan: automatización VMAT, no motor de dosis por IA
Radformation posiciona OptiPlan como automatización de planificación VMAT que usa herramientas nativas del TPS y objetivos ClearCheck. Al 15 de junio de 2026, el material público indicaba que OptiPlan era una función de la versión más nueva de EZFluence con FDA 510(k) pendiente.
Por eso, la comparación correcta es operativa: OptiPlan aborda iteración manual y variabilidad; MVision Dose+ y RayStation deep learning planning se acercan más a la idea específica de predecir una distribución de dosis para guiar la planificación.
Dónde sigue siendo central el físico médico
- Definir el uso previsto: triaje, dosis de referencia, objetivo de optimización, preplanificación o apoyo a revisión.
- Separar dosis predicha, plan optimizado y cálculo final aprobado.
- Conectar la adopción al proceso de commissioning y QA.
- Usar métricas clínicas y de peor caso, no solo gamma promedio. El checklist detallado está en cómo validar dosis predicha por IA.
FAQ
¿La dosis predicha por IA sustituye Monte Carlo?
No como regla general. Puede acelerar decisiones de planificación, pero la equivalencia clínica debe demostrarse para el uso previsto. El cálculo físico, las verificaciones independientes y la validación local siguen siendo barreras de seguridad.
¿MVision Dose+ y RayStation hacen lo mismo?
Ambos usan predicción de dosis, pero la integración es diferente. Dose+ se presenta como software que exporta una distribución DICOM al TPS; RayStation integra la dosis predicha en su entorno de planificación para mimic optimization.
¿OptiPlan es predicción de dosis por IA?
Con base en el material público revisado, esa no es la descripción correcta. Es mejor describirlo como automatización VMAT guiada por objetivos y herramientas de optimización del TPS.
Referencias
- MVision AI Dose+. https://mvision.ai/dose/
- Estudio NCCC Newcastle sobre Dose+. https://mvision.ai/case-study-evaluating-ai-dose-prediction-across-standard-and-complex-prostate-cases-at-nccc-newcastle/
- RaySearch: Machine Learning in RayStation. https://www.raysearchlabs.com/machine-learning-in-raystation/
- RaySearch white paper: Deep learning planning. https://www.raysearchlabs.com/media/publications/white-papers/deep-learning-planning/
- Radformation OptiPlan. https://radformation.com/optiplan/optiplan
- Webinar Radformation: Introducing OptiPlan. https://resources.radformation.com/webinar-introducing-optiplan-automated-vmat-planning
