![\"AI](\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/06\/ai-dose-guardrails.jpg\")
Este art\u00edculo examina estas preguntas desde la perspectiva de f\u00edsicos m\u00e9dicos, dosimetristas y onc\u00f3logos radioterapeutas que necesitan tomar decisiones de adopci\u00f3n o supervisi\u00f3n de herramientas basadas en IA. El texto diferencia la descripci\u00f3n f\u00edsica del fen\u00f3meno, la implementaci\u00f3n comercial y la evidencia de validaci\u00f3n publicada, tres dimensiones que a menudo se confunden en las discusiones sobre el tema. No pretende recomendar productos espec\u00edficos, sino proporcionar un mapa conceptual para la evaluaci\u00f3n cr\u00edtica de estas tecnolog\u00edas.<\/p>\n
En este art\u00edculo<\/h2>\n\n- 1. Qu\u00e9 significa utilizar la IA como modelo sustituto de dosis<\/a><\/li>\n
- 2. Diferencia entre predecir dosis y transportar part\u00edculas<\/a><\/li>\n
- 3. Datos de entrenamiento, sesgo y dominio de validez<\/a><\/li>\n
- 4. Generalizaci\u00f3n a m\u00e1quinas, energ\u00edas y anatom\u00edas<\/a><\/li>\n
- 5. Incertidumbre, detecci\u00f3n de valores at\u00edpicos y fallas silenciosas<\/a><\/li>\n
- 6. C\u00f3mo comparar la IA, Monte Carlo y los solucionadores deterministas<\/a><\/li>\n
- 7. Validaci\u00f3n cl\u00ednica, gobernanza y uso responsable<\/a><\/li>\n
- 8. Preguntas frecuentes<\/a><\/li>\n
- 9. Referencias<\/a><\/li>\n<\/ul>\n<\/div>\n
Qu\u00e9 significa utilizar la IA como modelo sustituto de dosis<\/h2>\n
Un modelo sustituto (modelo sustituto<\/em> o emulador<\/em>) es un sistema computacional entrenado para reproducir el comportamiento de otro sistema m\u00e1s caro o m\u00e1s lento, aceptando las mismas entradas y produciendo salidas aproximadas. En el contexto de la dosis, el sistema \u00abcaro\u00bb suele ser un motor MC de alta fidelidad o un solucionador de ecuaci\u00f3n de transporte lineal de Boltzmann (LBTE), como Acuros XB. El modelo sustituto, t\u00edpicamente una red neuronal convolucional profunda, a menudo con una arquitectura similar a U-Net, aprende, a partir de pares de referencia (entrada, salida de referencia), un mapeo que se puede evaluar en milisegundos en lugar de minutos u horas.<\/p>\nEs importante distinguir dos subcasos con los que la literatura a menudo entra en conflicto. En el primero, la red predice la dosis en base a planes de tratamiento ya optimizados<\/em>, funcionando como una verificaci\u00f3n r\u00e1pida o generaci\u00f3n de un plan inicial (planificaci\u00f3n basada en conocimiento<\/em>). En el segundo, la red reemplaza directamente el motor de c\u00e1lculo dentro de TPS (sistema de planificaci\u00f3n de tratamiento<\/em>), que se invoca durante cada iteraci\u00f3n de optimizaci\u00f3n. El segundo caso impone requisitos mucho m\u00e1s severos en cuanto a precisi\u00f3n y robustez: un error sistem\u00e1ticamente bajo en una regi\u00f3n cr\u00edtica se propagar\u00e1 a la optimizaci\u00f3n, produciendo planes con una cobertura real menor que la proyectada, sin ninguna se\u00f1al de advertencia para el usuario.<\/p>\nExisten prototipos y productos que utilizan el aprendizaje autom\u00e1tico en las etapas de planificaci\u00f3n y estimaci\u00f3n de dosis, pero se debe verificar el uso previsto en la documentaci\u00f3n de cada versi\u00f3n. La distinci\u00f3n entre \u00abacelerado por IA\u00bb y \u00abcalculado por MC\/LBTE con aceleraci\u00f3n de hardware\u00bb es crucial. GPUMCD, por ejemplo, es Monte Carlo en GPU, no en una red neuronal.<\/p>\n
La latencia reducida puede admitir flujos adaptativos y c\u00e1lculos repetidos. El costo es transferir parte de la garant\u00eda de desempe\u00f1o a los controles de datos, dominio de validez y detecci\u00f3n de fallas.<\/p>\n
Diferencia entre predecir dosis y transportar part\u00edculas<\/h2>\n
Transportar part\u00edculas, en el sentido f\u00edsico, significa resolver (de manera exacta, aproximada o estoc\u00e1stica) la ecuaci\u00f3n de Boltzmann para el transporte de radiaci\u00f3n, considerando secciones transversales de interacci\u00f3n que dependen del material atravesado, la energ\u00eda depositada localmente y la dispersi\u00f3n secundaria. MC toma muestras de trayectorias individuales de fotones, electrones y part\u00edculas secundarias. LBTE\/Acuros XB resuelve la ecuaci\u00f3n en su forma determinista sobre una malla espacial. Pencil Beam descompone el haz en l\u00e1pices y aplica n\u00facleos de dispersi\u00f3n calibrados con agua, con correcciones emp\u00edricas para las faltas de homogeneidad. El AAA (Algoritmo anal\u00edtico anisotr\u00f3pico<\/em>) utiliza convoluciones de energ\u00eda separadas para fotones primarios, dispersi\u00f3n lateral y electrones contaminantes. Todos estos algoritmos tienen par\u00e1metros con significado f\u00edsico directo y pueden, al menos en principio, ponerse en funcionamiento y validarse frente a mediciones fantasma independientes.<\/p>\nUna red neuronal de predicci\u00f3n de dosis no resuelve ninguna de estas ecuaciones. Aprende una funci\u00f3n, potencialmente de muy alta dimensionalidad, que mapea la geometr\u00eda del problema (morfolog\u00eda CT en unidades Hounsfield, contornos de la estructura, configuraci\u00f3n del haz) a una distribuci\u00f3n de dosis, minimizando una p\u00e9rdida funcional en el conjunto de entrenamiento. El mapeo aprendido es, por construcci\u00f3n, una interpolaci\u00f3n sobre la variedad de casos vistos durante el entrenamiento. Fuera de esta variedad (una anatom\u00eda inusual, una combinaci\u00f3n de energ\u00edas no representada, una geometr\u00eda de haz at\u00edpica), la red extrapolar\u00e1 de una manera impredecible, sin garant\u00eda de coherencia f\u00edsica.<\/p>\n
Esta distinci\u00f3n tiene implicaciones directas para conceptos como dose to medium<\/em> (Dm) y dose to water<\/em> (Dw). Algoritmos como Acuros XB le permiten elegir expl\u00edcitamente qu\u00e9 cantidad se calcula, con consecuencias cl\u00ednicas discutidas en la literatura, especialmente en las interfaces hueso-tejido y en la terapia de protones. Un modelo sustituto entrenado en resultados de Dm \u00abaprende\u00bb impl\u00edcitamente esta convenci\u00f3n, pero no la har\u00e1 expl\u00edcita. Un cambio de convenci\u00f3n en el motor de referencia durante el reentrenamiento puede pasar desapercibido: un ejemplo estructural de falla silenciosa.<\/p>\nOtro aspecto relevante es la convergencia incremental: en MC, m\u00e1s historias de part\u00edculas equivalen a una menor incertidumbre estad\u00edstica, y el usuario puede equilibrar el tiempo de c\u00e1lculo y la precisi\u00f3n de forma controlada. En un modelo de ML, no existe un mecanismo equivalente: la salida es determinista para una entrada determinada y la incertidumbre del modelo es fija, determinada por la fase de entrenamiento.<\/p>\n
Datos de entrenamiento, sesgo y dominio de validez<\/h2>\n
El rendimiento de cualquier modelo sustituto est\u00e1 fundamentalmente limitado por la calidad, cantidad y diversidad de los datos de entrenamiento. Para la predicci\u00f3n de dosis, el conjunto de datos generalmente son planes cl\u00ednicamente aprobados en una o m\u00e1s instituciones, con distribuciones de dosis calculadas por TPS institucional como etiqueta (verdad del terreno<\/em>). Inmediatamente surgen dos problemas estructurales.<\/p>\nPrimero, la etiqueta no es la dosis real: es la dosis calculada por el algoritmo TPS, con sus propias incertidumbres y aproximaciones. Si TPS us\u00f3 Pencil Beam para casos pulmonares con heterogeneidades severas y el modelo aprende a reproducir Pencil Beam, no hay ganancia en precisi\u00f3n f\u00edsica; s\u00f3lo hay aceleraci\u00f3n de un m\u00e9todo impreciso. En segundo lugar, los datos de entrenamiento reflejan patrones y sesgos de planificaci\u00f3n local: topolog\u00edas de haz preferidas, criterios de normalizaci\u00f3n, filosof\u00edas de m\u00e1rgenes. Un modelo formado en un centro altamente especializado puede no generalizarse a un centro con diferentes poblaciones de pacientes, equipos o pr\u00e1cticas.<\/p>\n
La siguiente tabla resume las fuentes de sesgo m\u00e1s relevantes en los conjuntos de datos de entrenamiento para modelos de dosis:<\/p>\n
Qu\u00e9 significa utilizar la IA como modelo sustituto de dosis<\/h2>\n
Un modelo sustituto (modelo sustituto<\/em> o emulador<\/em>) es un sistema computacional entrenado para reproducir el comportamiento de otro sistema m\u00e1s caro o m\u00e1s lento, aceptando las mismas entradas y produciendo salidas aproximadas. En el contexto de la dosis, el sistema \u00abcaro\u00bb suele ser un motor MC de alta fidelidad o un solucionador de ecuaci\u00f3n de transporte lineal de Boltzmann (LBTE), como Acuros XB. El modelo sustituto, t\u00edpicamente una red neuronal convolucional profunda, a menudo con una arquitectura similar a U-Net, aprende, a partir de pares de referencia (entrada, salida de referencia), un mapeo que se puede evaluar en milisegundos en lugar de minutos u horas.<\/p>\n Es importante distinguir dos subcasos con los que la literatura a menudo entra en conflicto. En el primero, la red predice la dosis en base a planes de tratamiento ya optimizados<\/em>, funcionando como una verificaci\u00f3n r\u00e1pida o generaci\u00f3n de un plan inicial (planificaci\u00f3n basada en conocimiento<\/em>). En el segundo, la red reemplaza directamente el motor de c\u00e1lculo dentro de TPS (sistema de planificaci\u00f3n de tratamiento<\/em>), que se invoca durante cada iteraci\u00f3n de optimizaci\u00f3n. El segundo caso impone requisitos mucho m\u00e1s severos en cuanto a precisi\u00f3n y robustez: un error sistem\u00e1ticamente bajo en una regi\u00f3n cr\u00edtica se propagar\u00e1 a la optimizaci\u00f3n, produciendo planes con una cobertura real menor que la proyectada, sin ninguna se\u00f1al de advertencia para el usuario.<\/p>\n Existen prototipos y productos que utilizan el aprendizaje autom\u00e1tico en las etapas de planificaci\u00f3n y estimaci\u00f3n de dosis, pero se debe verificar el uso previsto en la documentaci\u00f3n de cada versi\u00f3n. La distinci\u00f3n entre \u00abacelerado por IA\u00bb y \u00abcalculado por MC\/LBTE con aceleraci\u00f3n de hardware\u00bb es crucial. GPUMCD, por ejemplo, es Monte Carlo en GPU, no en una red neuronal.<\/p>\n La latencia reducida puede admitir flujos adaptativos y c\u00e1lculos repetidos. El costo es transferir parte de la garant\u00eda de desempe\u00f1o a los controles de datos, dominio de validez y detecci\u00f3n de fallas.<\/p>\n Transportar part\u00edculas, en el sentido f\u00edsico, significa resolver (de manera exacta, aproximada o estoc\u00e1stica) la ecuaci\u00f3n de Boltzmann para el transporte de radiaci\u00f3n, considerando secciones transversales de interacci\u00f3n que dependen del material atravesado, la energ\u00eda depositada localmente y la dispersi\u00f3n secundaria. MC toma muestras de trayectorias individuales de fotones, electrones y part\u00edculas secundarias. LBTE\/Acuros XB resuelve la ecuaci\u00f3n en su forma determinista sobre una malla espacial. Pencil Beam descompone el haz en l\u00e1pices y aplica n\u00facleos de dispersi\u00f3n calibrados con agua, con correcciones emp\u00edricas para las faltas de homogeneidad. El AAA (Algoritmo anal\u00edtico anisotr\u00f3pico<\/em>) utiliza convoluciones de energ\u00eda separadas para fotones primarios, dispersi\u00f3n lateral y electrones contaminantes. Todos estos algoritmos tienen par\u00e1metros con significado f\u00edsico directo y pueden, al menos en principio, ponerse en funcionamiento y validarse frente a mediciones fantasma independientes.<\/p>\n Una red neuronal de predicci\u00f3n de dosis no resuelve ninguna de estas ecuaciones. Aprende una funci\u00f3n, potencialmente de muy alta dimensionalidad, que mapea la geometr\u00eda del problema (morfolog\u00eda CT en unidades Hounsfield, contornos de la estructura, configuraci\u00f3n del haz) a una distribuci\u00f3n de dosis, minimizando una p\u00e9rdida funcional en el conjunto de entrenamiento. El mapeo aprendido es, por construcci\u00f3n, una interpolaci\u00f3n sobre la variedad de casos vistos durante el entrenamiento. Fuera de esta variedad (una anatom\u00eda inusual, una combinaci\u00f3n de energ\u00edas no representada, una geometr\u00eda de haz at\u00edpica), la red extrapolar\u00e1 de una manera impredecible, sin garant\u00eda de coherencia f\u00edsica.<\/p>\n Esta distinci\u00f3n tiene implicaciones directas para conceptos como dose to medium<\/em> (Dm) y dose to water<\/em> (Dw). Algoritmos como Acuros XB le permiten elegir expl\u00edcitamente qu\u00e9 cantidad se calcula, con consecuencias cl\u00ednicas discutidas en la literatura, especialmente en las interfaces hueso-tejido y en la terapia de protones. Un modelo sustituto entrenado en resultados de Dm \u00abaprende\u00bb impl\u00edcitamente esta convenci\u00f3n, pero no la har\u00e1 expl\u00edcita. Un cambio de convenci\u00f3n en el motor de referencia durante el reentrenamiento puede pasar desapercibido: un ejemplo estructural de falla silenciosa.<\/p>\n Otro aspecto relevante es la convergencia incremental: en MC, m\u00e1s historias de part\u00edculas equivalen a una menor incertidumbre estad\u00edstica, y el usuario puede equilibrar el tiempo de c\u00e1lculo y la precisi\u00f3n de forma controlada. En un modelo de ML, no existe un mecanismo equivalente: la salida es determinista para una entrada determinada y la incertidumbre del modelo es fija, determinada por la fase de entrenamiento.<\/p>\n El rendimiento de cualquier modelo sustituto est\u00e1 fundamentalmente limitado por la calidad, cantidad y diversidad de los datos de entrenamiento. Para la predicci\u00f3n de dosis, el conjunto de datos generalmente son planes cl\u00ednicamente aprobados en una o m\u00e1s instituciones, con distribuciones de dosis calculadas por TPS institucional como etiqueta (verdad del terreno<\/em>). Inmediatamente surgen dos problemas estructurales.<\/p>\n Primero, la etiqueta no es la dosis real: es la dosis calculada por el algoritmo TPS, con sus propias incertidumbres y aproximaciones. Si TPS us\u00f3 Pencil Beam para casos pulmonares con heterogeneidades severas y el modelo aprende a reproducir Pencil Beam, no hay ganancia en precisi\u00f3n f\u00edsica; s\u00f3lo hay aceleraci\u00f3n de un m\u00e9todo impreciso. En segundo lugar, los datos de entrenamiento reflejan patrones y sesgos de planificaci\u00f3n local: topolog\u00edas de haz preferidas, criterios de normalizaci\u00f3n, filosof\u00edas de m\u00e1rgenes. Un modelo formado en un centro altamente especializado puede no generalizarse a un centro con diferentes poblaciones de pacientes, equipos o pr\u00e1cticas.<\/p>\n La siguiente tabla resume las fuentes de sesgo m\u00e1s relevantes en los conjuntos de datos de entrenamiento para modelos de dosis:<\/p>\nDiferencia entre predecir dosis y transportar part\u00edculas<\/h2>\n
Datos de entrenamiento, sesgo y dominio de validez<\/h2>\n