{"id":13327,"date":"2026-02-24T13:20:28","date_gmt":"2026-02-24T16:20:28","guid":{"rendered":"https:\/\/rtmedical.com.br\/ia-futuro-monte-carlo-radioterapia\/"},"modified":"2026-03-27T15:19:15","modified_gmt":"2026-03-27T18:19:15","slug":"ia-futuro-monte-carlo-radioterapia","status":"publish","type":"post","link":"https:\/\/rtmedical.com.br\/es\/ia-futuro-monte-carlo-radioterapia\/","title":{"rendered":"IA y Monte Carlo en Radioterapia: Futuro y Tendencias"},"content":{"rendered":"<div class=\"toc\">\n<h2>En Este Art\u00edculo<\/h2>\n<ul>\n<li><a href=\"#redes-neuronales-mc\">1. Redes Neuronales Profundas y Simulaci\u00f3n Monte Carlo<\/a><\/li>\n<li><a href=\"#estimacion-dosis\">2. IA para Estimaci\u00f3n de Dosis a partir de Simulaciones MC<\/a><\/li>\n<li><a href=\"#denoising\">3. Denoising de Dosis por Deep Learning<\/a><\/li>\n<li><a href=\"#modelado-detector\">4. IA para Modelado de Detectores y Fuentes<\/a><\/li>\n<li><a href=\"#cbct\">5. Correcci\u00f3n de Scatter en CBCT con Redes Neuronales<\/a><\/li>\n<li><a href=\"#futuro\">6. Perspectivas y el Futuro del Monte Carlo<\/a><\/li>\n<\/ul>\n<\/div>\n<p>La combinaci\u00f3n de <strong>inteligencia artificial<\/strong> con simulaciones <strong>Monte Carlo<\/strong> puede representar un salto cu\u00e1ntico en la radioterapia computacional. Esta afirmaci\u00f3n, realizada en el prefacio de la segunda edici\u00f3n del libro <em>Monte Carlo Techniques in Radiation Therapy<\/em> (CRC Press, 2022), no es una exageraci\u00f3n \u2014 los avances recientes en redes neuronales profundas est\u00e1n transformando la forma en que generamos, procesamos y aplicamos datos de simulaci\u00f3n MC en la pr\u00e1ctica cl\u00ednica. Para una visi\u00f3n integral de todas las t\u00e9cnicas MC en radioterapia, consulte nuestra <a href=\"https:\/\/rtmedical.com.br\/?p=13191\">gu\u00eda completa sobre Monte Carlo en Radioterapia<\/a>.<\/p>\n<p><strong>Gu\u00eda completa de la serie:<\/strong> para ver el panorama general y los art\u00edculos relacionados, <a href=\"https:\/\/rtmedical.com.br\/es\/monte-carlo-radioterapia-guia-completa\/\">vuelve a la gu\u00eda completa sobre Monte Carlo en radioterapia<\/a>.<\/p>\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" class=\"alignright lazyload\" data-src=\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/02\/ia-monte-carlo-radioterapia-deep-learning.jpg\" alt=\"Interfaz de inteligencia artificial aplicada a la planificaci\u00f3n de dosis en radioterapia con redes neuronales profundas\" src=\"data:image\/svg+xml;base64,PHN2ZyB3aWR0aD0iMSIgaGVpZ2h0PSIxIiB4bWxucz0iaHR0cDovL3d3dy53My5vcmcvMjAwMC9zdmciPjwvc3ZnPg==\" style=\"--smush-placeholder-width: 1880px; --smush-placeholder-aspect-ratio: 1880\/1253;\"><figcaption>Foto: Tara Winstead \/ Pexels<\/figcaption><\/figure>\n<p>Las simulaciones MC son inherentemente estad\u00edsticas y producen vol\u00famenes masivos de datos \u2014 caracter\u00edsticas que convierten al campo en un candidato natural para enfoques de deep learning. Las redes neuronales profundas (DNN) ya demostraron capacidad para aprender correlaciones estad\u00edsticas complejas en dominios como visi\u00f3n computacional, y ahora esa misma infraestructura metodol\u00f3gica se dirige hacia problemas espec\u00edficos de la f\u00edsica m\u00e9dica.<\/p>\n<p>Este art\u00edculo explora c\u00f3mo la IA se est\u00e1 integrando al ecosistema Monte Carlo, desde la estimaci\u00f3n directa de distribuciones de dosis hasta la aceleraci\u00f3n de simulaciones y la correcci\u00f3n de im\u00e1genes en CBCT. Tambi\u00e9n discutiremos las tendencias futuras, incluyendo la predicci\u00f3n de que el m\u00e9todo MC seguir\u00e1 siendo un componente esencial de la infraestructura cient\u00edfica en radioterapia.<\/p>\n<h2 id=\"redes-neuronales-mc\">Redes Neuronales Profundas y Simulaci\u00f3n Monte Carlo<\/h2>\n<p>Para comprender c\u00f3mo la IA se conecta con el Monte Carlo, conviene repasar la mec\u00e1nica b\u00e1sica de las redes neuronales. Una DNN se organiza en capas de neuronas conectadas por pesos ajustables. Cada neurona aplica una <strong>funci\u00f3n de activaci\u00f3n<\/strong> no lineal a la suma ponderada de sus entradas \u2014 sin esa no linealidad, toda la red ser\u00eda simplemente una funci\u00f3n lineal gigante, incapaz de capturar patrones complejos.<\/p>\n<p>Cuando trabajamos con datos tipo imagen \u2014 como distribuciones de dosis en v\u00f3xeles o im\u00e1genes de CT \u2014 las redes <strong>convolucionales<\/strong> (CNN) destacan. Las operaciones de convoluci\u00f3n intercaladas entre capas permiten capturar propiedades no locales de los datos de entrada. La arquitectura <strong>U-Net<\/strong>, ampliamente utilizada en segmentaci\u00f3n m\u00e9dica, combina un camino de contracci\u00f3n (downsampling) con un camino de expansi\u00f3n (upsampling), ideal para transformaciones imagen a imagen. Los autoencoders variacionales y las redes adversariales generativas (GAN) completan el arsenal de arquitecturas empleadas en los trabajos discutidos aqu\u00ed.<\/p>\n<p>En la pr\u00e1ctica, entrenar una red implica ajustar hiperpar\u00e1metros como tasa de aprendizaje, tama\u00f1o de batch y pesos de penalizaci\u00f3n. Este proceso no es trivial \u2014 pero frameworks como Keras, TensorFlow y PyTorch, desarrollados originalmente por grandes empresas tecnol\u00f3gicas, redujeron dr\u00e1sticamente la barrera de entrada para investigadores en f\u00edsica m\u00e9dica.<\/p>\n<p>Una simulaci\u00f3n MC en radioterapia puede verse como un mapeo: de una imagen de CT a una distribuci\u00f3n de dosis, por ejemplo. No existe una expresi\u00f3n anal\u00edtica expl\u00edcita para este mapeo, pero la red neuronal logra aprenderlo a partir de datos suficientes. La simulaci\u00f3n involucra transporte de part\u00edculas, scoring y binning \u2014 operaciones que producen resultados con varianza estad\u00edstica inherente para cualquier conjunto fijo de condiciones iniciales.<\/p>\n<h2 id=\"estimacion-dosis\">Inteligencia Artificial para Estimaci\u00f3n de Dosis MC<\/h2>\n<p>Varios grupos de investigaci\u00f3n han explorado el uso de CNNs para estimar distribuciones de dosis en diferentes contextos \u2014 radioterapia interna, externa y braquiterapia \u2014 utilizando simulaciones MC como referencia de entrenamiento y validaci\u00f3n.<\/p>\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" class=\"alignleft lazyload\" data-src=\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/02\/radioterapia-equipamento-tratamento.jpg\" alt=\"Equipo de radioterapia con acelerador lineal utilizado en planificaci\u00f3n de tratamiento y c\u00e1lculo de dosis\" src=\"data:image\/svg+xml;base64,PHN2ZyB3aWR0aD0iMSIgaGVpZ2h0PSIxIiB4bWxucz0iaHR0cDovL3d3dy53My5vcmcvMjAwMC9zdmciPjwvc3ZnPg==\" style=\"--smush-placeholder-width: 1880px; --smush-placeholder-aspect-ratio: 1880\/1254;\"><figcaption>Foto: Jo McNamara \/ Pexels<\/figcaption><\/figure>\n<p>Lee et al. (2019) propusieron <strong>Deep-Dose<\/strong>, una red basada en U-Net entrenada con patches de im\u00e1genes PET y CT asociados a distribuciones de dosis calculadas por GATE (aplicaci\u00f3n GEANT4 para tomograf\u00eda por emisi\u00f3n). La base de datos incluy\u00f3 diez pacientes con ocho adquisiciones PET\/CT tras inyecci\u00f3n intravenosa de <sup>68<\/sup>Ga-NOTA-RGD, cubriendo de 1 a 62 minutos posinyecci\u00f3n. La precisi\u00f3n se mantuvo dentro del 3% del c\u00e1lculo de referencia, reduciendo el tiempo de c\u00f3mputo de horas a minutos.<\/p>\n<p>G\u00f6tz et al. (2019) combinaron U-Net con descomposici\u00f3n emp\u00edrica de modos, usando im\u00e1genes de CT y mapas de dosis estimados por el protocolo MIRD (m\u00e9todo de S-values por \u00f3rgano) a partir de SPECT para tratamientos con <sup>177<\/sup>Lu. El rendimiento super\u00f3 al m\u00e9todo r\u00e1pido convencional de dose-volume-kernel.<\/p>\n<p>En radioterapia externa y braquiterapia, Nguyen et al. (2019) utilizaron contornos de estructuras, prescripciones y dosis entregadas como datos de entrenamiento para tratamientos VMAT de cabeza y cuello. Liu et al. (2019) investigaron modelos para tomoterapia helicoidal en c\u00e1ncer de nasofaringe. Mao et al. (2020) desarrollaron <strong>RapidBrachyDL<\/strong> para c\u00e1lculos r\u00e1pidos de dosis en braquiterapia. Todos reportaron predicciones precisas.<\/p>\n<p>Un punto crucial: las redes neuronales entrenadas con datos MC <strong>nunca podr\u00e1n reemplazar completamente al MC<\/strong> \u2014 siempre depender\u00e1n de las simulaciones para generar conjuntos de entrenamiento. El objetivo real es acelerar el c\u00f3mputo a niveles cl\u00ednicamente viables (minutos en lugar de horas). El entrenamiento extensivo y las simulaciones MC de referencia pueden realizarse offline. Sin embargo, la construcci\u00f3n cuidadosa del dataset de entrenamiento es fundamental: debe cubrir un rango suficiente de casos cl\u00ednicos. Para m\u00e1s detalles sobre c\u00f3mo se modelan los <a href=\"https:\/\/rtmedical.com.br\/?p=13216\">haces fot\u00f3nicos externos con Monte Carlo<\/a>, consulte nuestro art\u00edculo dedicado.<\/p>\n<p>Otro aspecto frecuentemente ignorado: en un c\u00e1lculo MC puro, la incertidumbre estad\u00edstica es conocida. Con una red neuronal basada en MC, esa incertidumbre est\u00e1 impl\u00edcitamente presente, pero invisible para el usuario.<\/p>\n<h2 id=\"denoising\">Denoising de Dosis Monte Carlo con Deep Learning<\/h2>\n<p>A diferencia de los m\u00e9todos de la secci\u00f3n anterior \u2014 que intentan reemplazar al MC mapeando directamente de im\u00e1genes a dosis \u2014 el denoising act\u00faa como posprocesamiento. La red recibe distribuciones de dosis ruidosas (obtenidas con pocos historiales MC) y genera mapas suavizados, equivalentes a simulaciones con muchas m\u00e1s part\u00edculas.<\/p>\n<p>Los m\u00e9todos de denoising MC existen desde hace tiempo. Naqa et al. (2005) demostraron que suavizar fluctuaciones estad\u00edsticas puede reducir el tiempo de c\u00e1lculo. El \u00abruido\u00bb de la dosis calculada est\u00e1 ligado a la varianza en la energ\u00eda depositada y disminuye a una tasa de $1\/\\sqrt{N}$, donde $N$ es el n\u00famero de part\u00edculas simuladas. Alcanzar baja fluctuaci\u00f3n en regiones de baja dosis requiere un n\u00famero enorme de iteraciones.<\/p>\n<p>Las t\u00e9cnicas tradicionales de filtrado incluyen wavelets 3D, filtrado media-mediana avanzado y difusi\u00f3n anisotr\u00f3pica. Funcionan razonablemente, pero la aceleraci\u00f3n efectiva depende mucho de las caracter\u00edsticas de la distribuci\u00f3n de dosis.<\/p>\n<p>Con deep learning, el principio es entrenar una CNN con pares de distribuciones dosis alta-varianza \/ dosis baja-varianza, obtenidas de simulaciones MC con baja y alta estad\u00edstica, respectivamente. La mayor\u00eda de los trabajos emplean variantes de la U-Net, aunque DenseNet y codificadores-decodificadores convolucionales tambi\u00e9n se han estudiado.<\/p>\n<table>\n<thead>\n<tr>\n<th>Aplicaci\u00f3n<\/th>\n<th>Autores<\/th>\n<th>Modalidad<\/th>\n<th>Indicaci\u00f3n<\/th>\n<\/tr>\n<\/thead>\n<tbody>\n<tr>\n<td>Fotones<\/td>\n<td>Peng et al. (2019), Fornander (2019), Neph et al. (2019), Kontaxis et al. (2020)<\/td>\n<td>EBRT, MRgRT<\/td>\n<td>Cerebro, cabeza y cuello, h\u00edgado, pulm\u00f3n, pr\u00f3stata<\/td>\n<\/tr>\n<tr>\n<td>Protones<\/td>\n<td>Javaid et al. (2019), Madrigal (2018)<\/td>\n<td>Protonterapia<\/td>\n<td>Diversas indicaciones<\/td>\n<\/tr>\n<tr>\n<td>MR-guiada<\/td>\n<td>Neph et al. (2019)<\/td>\n<td>MRgRT (campo magn\u00e9tico)<\/td>\n<td>Dosis por deslocalizaci\u00f3n de part\u00edculas cargadas en campo magn\u00e9tico<\/td>\n<\/tr>\n<\/tbody>\n<\/table>\n<p><em>Fuente: Monte Carlo Techniques in Radiation Therapy (2nd ed., CRC Press, 2022)<\/em><\/p>\n<p>Los resultados son alentadores. Las CNNs produjeron mapas de dosis con equivalencia de ruido usando de 10 a 100 veces menos part\u00edculas de las originalmente necesarias. Las m\u00e9tricas de evaluaci\u00f3n incluyeron peak signal-to-noise ratio, \u00edndice gamma e histogramas dosis-volumen (DVH).<\/p>\n<p>Quedan desaf\u00edos. Los resultados dependen del tama\u00f1o y complejidad de los datasets de entrenamiento, y la generalizaci\u00f3n a otros escenarios a\u00fan no est\u00e1 garantizada. Crucialmente, los mapas de dosis denoised deben preservar gradientes de dosis \u2014 y a\u00fan no est\u00e1 completamente claro c\u00f3mo garantizar esto en todas las situaciones. Para entender mejor c\u00f3mo se calcula la dosis en el paciente, consulte nuestro art\u00edculo sobre <a href=\"https:\/\/rtmedical.com.br\/?p=13286\">c\u00e1lculo de dosis en el paciente con Monte Carlo<\/a>.<\/p>\n<p>El problema de denoising no se limita a distribuciones de dosis. M\u00e9todos investigados para CT de baja dosis \u2014 como los de Wolterink et al. (2017) y Yang et al. (2018) \u2014 pueden servir de inspiraci\u00f3n para aplicaciones en radioterapia.<\/p>\n<h2 id=\"modelado-detector\">IA para Modelado de Detectores y Fuentes de Radiaci\u00f3n<\/h2>\n<p>Los trabajos presentados hasta aqu\u00ed dependen de los resultados de simulaciones MC, sin alterar la simulaci\u00f3n en s\u00ed. La siguiente frontera es m\u00e1s ambiciosa: reemplazar partes de la propia simulaci\u00f3n MC con redes neuronales, acelerando el transporte de part\u00edculas en componentes geom\u00e9tricos espec\u00edficos.<\/p>\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" class=\"alignright lazyload\" data-src=\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/02\/acelerador-linear-planejamento-dose.jpg\" alt=\"Sala de tratamiento de radioterapia con acelerador lineal y sistema de planificaci\u00f3n para c\u00e1lculo de dosis Monte Carlo\" src=\"data:image\/svg+xml;base64,PHN2ZyB3aWR0aD0iMSIgaGVpZ2h0PSIxIiB4bWxucz0iaHR0cDovL3d3dy53My5vcmcvMjAwMC9zdmciPjwvc3ZnPg==\" style=\"--smush-placeholder-width: 1880px; --smush-placeholder-aspect-ratio: 1880\/1254;\"><figcaption>Foto: Jo McNamara \/ Pexels<\/figcaption><\/figure>\n<p>Sarrut et al. (2018) propusieron una DNN para aprender la <strong>Angular Response Function (ARF)<\/strong> de un sistema colimador-detector SPECT. En vez de simular expl\u00edcitamente el transporte de fotones en el cabezal de imagen, la red recibe propiedades cinem\u00e1ticas de los fotones (energ\u00eda y direcci\u00f3n) que cruzan un plano virtual y devuelve probabilidades de detecci\u00f3n en cada ventana de energ\u00eda. Comparada con las ARF basadas en histogramas, el enfoque con red neuronal depende menos de la estad\u00edstica de datos de entrenamiento, no requiere binning expl\u00edcito y necesita menos datos de entrenamiento. El speedup respecto al MC anal\u00f3gico vari\u00f3 de 10 a 3.000: m\u00e1s eficiente en regiones de bajo contaje (speedup de 1.000\u20133.000) que en regiones de alto contaje (speedup de 20\u2013300), y m\u00e1s eficiente para radion\u00faclidos de alta energ\u00eda como <sup>131<\/sup>I. Esta implementaci\u00f3n est\u00e1 disponible en la plataforma GATE.<\/p>\n<p>En PET, se propusieron redes neuronales para estimar la <strong>profundidad de interacci\u00f3n<\/strong> (DOI) y la posici\u00f3n de eventos en centelleadores pixelados o monol\u00edticos continuos (Zatcepin et al. 2020; Berg y Cherry 2018; M\u00fcller et al. 2019). Incorporar la DOI en la reconstrucci\u00f3n de imagen mejora la calidad de las im\u00e1genes PET.<\/p>\n<p>Quiz\u00e1 la aplicaci\u00f3n m\u00e1s audaz sea el uso de <strong>GANs para generar phase spaces<\/strong>. Sarrut et al. (2019) emplearon redes adversariales generativas para aprender la distribuci\u00f3n del phase space generado por la simulaci\u00f3n de un LINAC. Las propiedades (energ\u00eda, posici\u00f3n y direcci\u00f3n) de todas las part\u00edculas que alcanzan un plano en la salida del cabezal se almacenan en archivos de phase space \u2014 t\u00edpicamente de decenas de gigabytes y dif\u00edciles de manejar. Tras el entrenamiento, la red generadora \u00abG\u00bb produce part\u00edculas que pertenecen a la distribuci\u00f3n de probabilidad original, ocupando unos 10 MB en vez de varios GB. Las pruebas demostraron buena precisi\u00f3n dosim\u00e9trica, incluso para braquiterapia de pr\u00f3stata. Para detalles sobre modelado de haces y phase spaces, consulte nuestro art\u00edculo sobre <a href=\"https:\/\/rtmedical.com.br\/?p=13203\">fundamentos del Monte Carlo en radioterapia<\/a>.<\/p>\n<p>Quedan preguntas abiertas: no est\u00e1 claro si la misma arquitectura GAN funciona para todos los tipos de phase space, y el entrenamiento exige ajuste delicado de hiperpar\u00e1metros. M\u00e9todos alternativos como modelos de mezcla gaussiana tambi\u00e9n pueden ser \u00fatiles.<\/p>\n<h2 id=\"cbct\">Correcci\u00f3n de Scatter en CBCT con Redes Neuronales<\/h2>\n<p>La tomograf\u00eda computarizada cone beam (CBCT) es inseparable de la radioterapia moderna, pero sufre de calidad de imagen inferior y artefactos causados por scatter. El panel de imagen captura no solo fotones primarios atenuados de la fuente de rayos X, sino tambi\u00e9n fotones de dispersi\u00f3n coherente e incoherente dentro del paciente. Para una reconstrucci\u00f3n precisa de imagen, la contribuci\u00f3n del scatter deber\u00eda conocerse y sustraerse \u2014 pero en la pr\u00e1ctica, el panel proporciona solo una se\u00f1al de intensidad acumulativa sin discriminaci\u00f3n.<\/p>\n<p>Las simulaciones MC ofrecen una soluci\u00f3n conceptual: pueden etiquetar espec\u00edficamente fotones dispersados, generando proyecciones scatter-free perfectas. Jarry et al. (2006) ya usaban MC para estimar scatter en CBCT. El problema es que la simulaci\u00f3n directa de fotones kV es demasiado lenta para integraci\u00f3n cl\u00ednica, incluso con t\u00e9cnicas de reducci\u00f3n de varianza (Mainegra-Hing y Kawrakow 2008).<\/p>\n<p>Trabajos recientes proponen redes convolucionales profundas que aprenden de proyecciones CBCT simuladas por MC. Las redes generan im\u00e1genes de scatter estimado como salida a partir de proyecciones brutas como entrada (Lee et al. 2019; van der Heyden et al. 2020; Lalonde et al. 2020; Maier et al. 2019). Todos reportan resultados prometedores. Estos m\u00e9todos dependen exclusivamente de simulaciones MC para entrenamiento, donde fotones primarios pueden distinguirse de dispersados \u2014 imposible solo con proyecciones experimentales.<\/p>\n<p>Otro enfoque opera en el dominio de la imagen: recibe CBCT como entrada y genera CT sint\u00e9tico como salida. Estas im\u00e1genes sint\u00e9ticas presentan muchos menos artefactos que las CBCT originales.<\/p>\n<h2 id=\"futuro\">Perspectivas y el Futuro del Monte Carlo en Radioterapia<\/h2>\n<p>La integraci\u00f3n de IA con Monte Carlo trae un cambio de paradigma en la f\u00edsica m\u00e9dica. En cierta medida, el investigador debe abandonar el instinto de dominar matem\u00e1ticamente el fen\u00f3meno investigado y, en cambio, confiar en grandes vol\u00famenes de datos para aprendizaje heur\u00edstico. Esta transici\u00f3n demandar\u00e1 nuevas competencias \u2014 la habilidad de implementar y gestionar tareas computacionales complejas ser\u00e1 tan importante como el modelado de f\u00edsica de radiaci\u00f3n.<\/p>\n<p>Sin embargo, como este art\u00edculo ha demostrado, los trabajos en deep learning para radioterapia dependen fuertemente de datos de entrenamiento generados por MC. La simulaci\u00f3n debe configurarse y evaluarse con competencia. La generaci\u00f3n de datasets adecuados puede convertirse en una habilidad en s\u00ed misma, an\u00e1loga al commissioning de un sistema de planificaci\u00f3n (TPS).<\/p>\n<p>Actualmente, la IA opera en el nivel \u00abalto\u00bb del MC \u2014 conectando entrada (CT) con salida (dosis) de una simulaci\u00f3n o sustituyendo etapas intermedias (como GANs para phase space). Queda por ver si la IA ser\u00e1 \u00fatil en niveles m\u00e1s profundos del c\u00f3digo MC, como en el transporte de part\u00edculas. Es posible imaginar redes neuronales sustituyendo modelos num\u00e9ricos handcrafted para ajustar datos medidos complejos o funciones de distribuci\u00f3n de probabilidad para ciertos tipos de interacciones.<\/p>\n<p>La comunidad de f\u00edsica de altas energ\u00edas (HEP) ya explora activamente la IA: deep learning para modelado de interacciones nucleares (Ciardiello et al. 2020), redes neuronales en f\u00edsica de materia condensada (Carrasquilla y Melko 2017), y GANs para simulaci\u00f3n r\u00e1pida de cascadas de part\u00edculas en calor\u00edmetros electromagn\u00e9ticos (Paganini et al. 2018). El intercambio de conocimiento entre HEP y radioterapia ser\u00eda extremadamente beneficioso.<\/p>\n<p>En cuanto al m\u00e9todo Monte Carlo en s\u00ed, la ley de Amdahl seguir\u00e1 siendo un factor limitante para m\u00e1quinas masivamente paralelas, pero las ganancias en velocidad de chips monoprocesador siguen la ley de Moore. El desarrollo de algoritmos es m\u00e1s dif\u00edcil de predecir \u2014 datos hist\u00f3ricos muestran saltos de productividad inexplicables: un factor de 2,8 en 1991 y 1,6 en 1998, ilustrando la naturaleza ca\u00f3tica del progreso en este campo.<\/p>\n<p>Desde 2005 aparecieron nuevos c\u00f3digos \u2014 principalmente interfaces para c\u00f3digos existentes como TOPAS y GATE \u2014 y el n\u00famero de publicaciones sobre MC sigue creciendo r\u00e1pidamente. GEANT4, en particular, muestra un fuerte crecimiento en su uso. Como se\u00f1al\u00f3 el prefacio del libro, \u00aba\u00fan no hemos visto el fin de las aplicaciones potenciales, garantizando diversi\u00f3n sin fin para las generaciones venideras.\u00bb<\/p>\n<p>El panorama est\u00e1 claro: el tiempo de entrenamiento de las redes sigue siendo grande y exige GPUs potentes. La generalizaci\u00f3n de los modelos aprendidos a datasets diferentes de los de entrenamiento permanece incierta. La precisi\u00f3n final no siempre alcanza el nivel del MC convencional. Aun as\u00ed, este es un campo extremadamente prometedor, y el n\u00famero de publicaciones en la intersecci\u00f3n de IA y MC para radioterapia deber\u00eda crecer exponencialmente en los pr\u00f3ximos a\u00f1os. Para explorar c\u00f3mo el Monte Carlo se aplica a otras modalidades como protonterapia y QA avanzado, consulte nuestro art\u00edculo sobre <a href=\"https:\/\/rtmedical.com.br\/?p=13305\">protones y QA avanzado con Monte Carlo<\/a>.<\/p>\n","protected":false},"excerpt":{"rendered":"<p>C\u00f3mo deep learning y redes neuronales revolucionan simulaciones Monte Carlo en radioterapia: estimaci\u00f3n de dosis, denoising, GANs y tendencias futuras.<\/p>\n","protected":false},"author":1,"featured_media":13514,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"om_disable_all_campaigns":false,"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"ngg_post_thumbnail":0,"fifu_image_url":"","fifu_image_alt":"","footnotes":""},"categories":[18],"tags":[162,164,163,166,165],"class_list":{"0":"post-13327","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-sin-categorizar","8":"tag-dicom-3","9":"tag-hl7-3","10":"tag-pacs-4","11":"tag-radiologia-digital-2","12":"tag-workflow-3"},"aioseo_notices":[],"rt_seo":{"title":"","description":"","canonical":"","og_image":"","robots":"default","schema_type":"default","include_in_llms":false,"llms_label":"","llms_summary":"","faq_items":[],"video":[],"gtin":"","mpn":"","brand":"","aggregate_rating":[]},"_links":{"self":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/13327\/"}],"collection":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/"}],"about":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/types\/post\/"}],"author":[{"embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/users\/1\/"}],"replies":[{"embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/comments\/?post=13327"}],"version-history":[{"count":0,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/13327\/revisions\/"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/media\/13514\/"}],"wp:attachment":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/media\/?parent=13327"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/categories\/?post=13327"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/tags\/?post=13327"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}