![\"Sala](\"https:\/\/rtmedical.com.br\/wp-content\/uploads\/2026\/09\/tomografo-tc-abdome-rotina.jpg\")
Conviene nombrar la categor\u00eda antes de discutir el porcentaje, porque la categor\u00eda es lo importante. Esto no es diagn\u00f3stico por imagen en el sentido cl\u00e1sico. Es imagen oportunista y predictiva: la TC se pidi\u00f3 por dolor abdominal, por un traumatismo, para controlar un n\u00f3dulo renal o para estadificar otra cosa, y el algoritmo llega despu\u00e9s, sobre un estudio archivado, a devolver una probabilidad de enfermedad futura. El objetivo no es la lesi\u00f3n, sino la biolog\u00eda que la precede. El reportaje Subtle Signals<\/em>, de Radiology Today<\/em>, junta el caso del p\u00e1ncreas con l\u00edneas paralelas en pulm\u00f3n, mama y columna tor\u00e1cica.<\/p>\n El programa arranc\u00f3 en 2019 y tuvo una prueba de concepto en Gastroenterology<\/em> en 2022. La versi\u00f3n validada acumula casi seis a\u00f1os de trabajo en segmentaci\u00f3n autom\u00e1tica, ingenier\u00eda de atributos y dise\u00f1o de clasificador. La cohorte combina 219 pacientes con TC prediagn\u00f3stica obtenida entre 3 y 36 meses antes del diagn\u00f3stico de adenocarcinoma ductal y 1.243 controles con p\u00e1ncreas normal y al menos tres a\u00f1os sin c\u00e1ncer, cerca de 2.000 estudios en total. El entrenamiento us\u00f3 969 casos y la prueba 493, con unos siete controles por caso, y el 71% de las TC prediagn\u00f3sticas del conjunto de prueba proced\u00eda de instituciones externas, con otros equipos y otros protocolos.<\/p>\n La segmentaci\u00f3n corre sobre una nnU-Net tridimensional. De 968 atributos radi\u00f3micos candidatos, 40 sobrevivieron a la selecci\u00f3n, y alrededor del 90% de ellos proviene de im\u00e1genes filtradas y no de la imagen cruda. La decisi\u00f3n final sale de un conjunto de regresi\u00f3n log\u00edstica, bosque aleatorio y XGBoost. En el punto de operaci\u00f3n publicado el modelo combina 73% de sensibilidad con 81% de especificidad y un \u00e1rea bajo la curva de 0,82 con atributos filtrados, frente a 0,74 sin ellos. Una validaci\u00f3n externa independiente lleg\u00f3 al 87,5% de especificidad, y la concordancia entre estudios seriados del mismo paciente se mantuvo entre el 90% y el 92%.<\/p>\n Hay dos cortes que merecen atenci\u00f3n. En estudios adquiridos m\u00e1s de dos a\u00f1os antes del diagn\u00f3stico, el modelo se\u00f1al\u00f3 casi el triple de c\u00e1nceres futuros que la revisi\u00f3n convencional. Y la estabilidad longitudinal sugiere que el puntaje podr\u00eda seguirse en el tiempo en vez de leerse una sola vez. Ajit Goenka, radi\u00f3logo y especialista en medicina nuclear de Mayo Clinic que dirige el proyecto, cont\u00f3 a Radiology Today<\/em> que la idea naci\u00f3 de una frustraci\u00f3n asistencial: pacientes con c\u00e1ncer de p\u00e1ncreas cuyas tomograf\u00edas previas se hab\u00edan informado como normales. El tumor estaba, dijo, pero todav\u00eda no se hab\u00eda manifestado visualmente.<\/p>\n La radi\u00f3mica convierte una imagen en una tabla de n\u00fameros. Una vez delimitado el \u00f3rgano, el software obtiene histogramas de intensidad, medidas de forma y sobre todo estad\u00edsticos de orden superior que describen c\u00f3mo se ordenan los v\u00f3xeles entre s\u00ed: aspereza, homogeneidad, entrop\u00eda, longitud de secuencias de grises similares. Los filtros de wavelet y laplaciano de gaussiana exponen escalas de textura que el ojo no separa. Nada de esto crea informaci\u00f3n nueva; describe lo que la adquisici\u00f3n ya hab\u00eda registrado. La hip\u00f3tesis es que, cuando el estroma pancre\u00e1tico empieza a reorganizarse en la fase precl\u00ednica, la firma aparece en esos estad\u00edsticos antes de convertirse en un contorno perceptible.<\/p>\n Goenka insiste en el l\u00edmite: es una se\u00f1al de riesgo, no un diagn\u00f3stico. Un resultado positivo dice que ese p\u00e1ncreas se parece al de pacientes que enfermaron despu\u00e9s, y lo que viene depende de la historia cl\u00ednica y del perfil de riesgo: repetir la TC, ecoendoscopia, PET molecular, toma de muestra o simplemente vigilancia. La poblaci\u00f3n prevista es deliberadamente estrecha y se centra en la diabetes de aparici\u00f3n reciente despu\u00e9s de los 50 a\u00f1os junto con un puntaje de riesgo validado. El c\u00e1ncer de p\u00e1ncreas familiar es otro problema, con programas de vigilancia propios basados en resonancia y ecoendoscopia.<\/p>\n La tesis excede al p\u00e1ncreas. Ya cubrimos la IA que super\u00f3 a los radi\u00f3logos en c\u00e1ncer de p\u00e1ncreas inicial<\/a>, el modelo que anticipa el riesgo de c\u00e1ncer de mama una d\u00e9cada antes<\/a> a partir de la mamograf\u00eda de cribado y un trabajo de radi\u00f3mica que grad\u00faa la osteoartritis de mano en radiograf\u00eda simple<\/a>. A la misma familia pertenecen los hallazgos incidentales en TC de pulm\u00f3n que indican riesgo de c\u00e1ncer<\/a>. El hilo com\u00fan es extraer del estudio m\u00e1s de lo que preguntaba la solicitud.<\/p>\n Otros grupos del reportaje siguen la misma l\u00f3gica. En el University of Illinois Cancer Center de Chicago, Ameen Salahudeen investiga si las TC de t\u00f3rax y las mamograf\u00edas ya realizadas contienen se\u00f1ales \u00fatiles sobre riesgo oncol\u00f3gico futuro, con la apuesta pr\u00e1ctica de que una estimaci\u00f3n individualizada mejore la adherencia al seguimiento. En la Catholic University of Korea, Joon-Yong Jung adapta un modelo de base para radiograf\u00eda de t\u00f3rax a fin de reconocer alteraciones de la columna tor\u00e1cica que aparecen en la placa pero rara vez reciben atenci\u00f3n, porque el estudio se pidi\u00f3 por enfermedad cardiopulmonar; el trabajo fue enviado al RSNA 2026. Paul Chang, de la University of Chicago, recuerda que buena parte de la cuantificaci\u00f3n oportunista ya es viable hoy para calcio coronario, esteatosis hep\u00e1tica y sarcopenia.<\/p>\n En Brasil y en Am\u00e9rica Latina el argumento econ\u00f3mico es limpio, porque el estudio ya se pag\u00f3. Donde no hay presupuesto para un programa poblacional de cribado, releer una TC de abdomen que ya est\u00e1 en el archivo cuesta c\u00f3mputo, no adquisici\u00f3n. El cuello de botella est\u00e1 en otro lado. Exige integraci\u00f3n real entre PACS, RIS y el modelo, para que el resultado llegue a quien corresponde en vez de morir en un informe paralelo; exige una v\u00eda de derivaci\u00f3n acordada antes de encender el algoritmo; y exige responder qui\u00e9n se hace cargo de una alerta de riesgo que nadie pidi\u00f3. El radi\u00f3logo que firm\u00f3 una TC abdominal normal no fue consultado sobre el p\u00e1ncreas.<\/p>\n Quedan tres reservas t\u00e9cnicas que ning\u00fan comunicado resuelve. La primera es el dise\u00f1o. Un estudio retrospectivo de casos y controles con siete controles por caso no reproduce la prevalencia real, y el valor predictivo positivo informado, cercano al 36%, se derrumba cuando esa misma sensibilidad y especificidad se aplican a una poblaci\u00f3n no seleccionada. Con 81% de especificidad, alrededor de uno de cada cinco p\u00e1ncreas sanos recibe alerta, y cada alerta cuesta estudios, tiempo y ansiedad. La segunda es la generalizaci\u00f3n: los atributos radi\u00f3micos son notoriamente sensibles al fabricante, al espesor de corte, al kernel de reconstrucci\u00f3n y a la fase de contraste. Que el 90% de los atributos venga de im\u00e1genes filtradas y que el 71% de las TC de prueba sean externas ayuda, pero no reemplaza la validaci\u00f3n en parques de equipos heterog\u00e9neos.<\/p>\n La tercera es el sesgo de anticipaci\u00f3n. Detectar 16 meses antes solo sirve si lo que ocurre en esos 16 meses cambia el desenlace; de lo contrario el paciente solo pasa m\u00e1s tiempo sabi\u00e9ndolo. Por eso el grupo de Mayo llev\u00f3 el modelo al estudio prospectivo AI-PACED, que eval\u00faa estratificaci\u00f3n autom\u00e1tica de riesgo, imagen seriada asistida por IA y biobanco en diabetes de aparici\u00f3n reciente, con el tiempo hasta el diagn\u00f3stico como desenlace primario. El dise\u00f1o mantiene una barrera estricta: los informes cl\u00ednicos los emiten radi\u00f3logos ciegos al estudio y entran en la historia cl\u00ednica con normalidad, mientras el an\u00e1lisis de IA corre sobre datos anonimizados y no interviene en las decisiones asistenciales.<\/p>\n Curtis Langlotz, de Stanford, resume el momento con claridad. La IA ya es muy buena detectando anomal\u00edas visibles, y predecir enfermedad futura es la frontera siguiente, que en la mayor\u00eda de los casos exigir\u00e1 datos multimodales y no solo im\u00e1genes. Chang es m\u00e1s duro sobre el riesgo de adelantarse a la evidencia: poder generar una predicci\u00f3n no la vuelve \u00fatil por s\u00ed misma, y estas herramientas tendr\u00e1n que demostrar mejor atenci\u00f3n al paciente y no solo significaci\u00f3n estad\u00edstica. Mientras esa prueba no llegue, conviene leer REDMOD por lo que es: la demostraci\u00f3n m\u00e1s s\u00f3lida hasta ahora de que hay informaci\u00f3n cl\u00ednica \u00fatil dentro de estudios que ya llamamos normales.<\/p>\nLos n\u00fameros: 1.462 pacientes, 968 atributos y una raz\u00f3n 7:1<\/h2>\n
Qu\u00e9 calcula realmente la radi\u00f3mica, y por qu\u00e9 un puntaje no es un diagn\u00f3stico<\/h2>\n
Qu\u00e9 cambiar\u00eda en la sala de informes<\/h2>\n
D\u00f3nde puede fallar: dise\u00f1o, kernel y tiempo de anticipaci\u00f3n<\/h2>\n