{"id":19831,"date":"2026-10-15T05:09:34","date_gmt":"2026-10-15T08:09:34","guid":{"rendered":"https:\/\/rtmedical.com.br\/tmp-es-1792051773789\/"},"modified":"2026-10-15T05:09:42","modified_gmt":"2026-10-15T08:09:42","slug":"radiomica-segmentacion-ia-manual-ajr","status":"publish","type":"post","link":"https:\/\/rtmedical.com.br\/es\/radiomica-segmentacion-ia-manual-ajr\/","title":{"rendered":"La radi\u00f3mica cambia con la segmentaci\u00f3n por IA"},"content":{"rendered":"<p>Los atributos radi\u00f3micos extra\u00eddos de <strong>segmentaciones autom\u00e1ticas por deep learning<\/strong> no son intercambiables con los obtenidos de contornos manuales: en TC y RM abdominales, tres modelos p\u00fablicos de segmentaci\u00f3n generaron decenas de atributos con concordancia pobre o regular y con sesgo sistem\u00e1tico frente a la referencia manual, y los modelos predictivos entrenados con esos atributos mostraron, en general, peor desempe\u00f1o y menor generalizaci\u00f3n. El hallazgo procede de una carta de investigaci\u00f3n publicada el 14 de octubre de 2026 en el <em>American Journal of Roentgenology<\/em> (AJR) por investigadores del Cincinnati Children&#8217;s Hospital Medical Center, en Estados Unidos.<\/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\/10\/radiomica-segmentacion-manual-vs-ia.png\" alt=\"Gr\u00e1fico de barras con el n\u00famero de atributos radi\u00f3micos con concordancia pobre o regular y con sesgo en segmentaciones por deep learning frente a manuales, en TC y RM abdominales\" width=\"640\" src=\"data:image\/svg+xml;base64,PHN2ZyB3aWR0aD0iMSIgaGVpZ2h0PSIxIiB4bWxucz0iaHR0cDovL3d3dy53My5vcmcvMjAwMC9zdmciPjwvc3ZnPg==\" style=\"--smush-placeholder-width: 1200px; --smush-placeholder-aspect-ratio: 1200\/630;\"><figcaption>N\u00famero de atributos radi\u00f3micos con concordancia pobre o regular y con sesgo, por modelo de segmentaci\u00f3n autom\u00e1tica, frente a la segmentaci\u00f3n manual. Gr\u00e1fico: RT Medical, con datos de Dudley et al., AJR 2026.<\/figcaption><\/figure>\n<h2>Qu\u00e9 compar\u00f3 el estudio de Cincinnati<\/h2>\n<p>El trabajo, dirigido por Jonathan A. Dudley, PhD, del Imaging Research Center y del Departamento de Radiolog\u00eda del Cincinnati Children&#8217;s, con Zach Taylor, Hailong Li, Lisa Qiu, Jonathan R. Dillman y Andrew T. Trout como coautores, se public\u00f3 como <em>research letter<\/em> en AJR (<a href=\"https:\/\/doi.org\/10.2214\/AJR.26.35746\" target=\"_blank\" rel=\"noopener\">doi:10.2214\/AJR.26.35746<\/a>). La pregunta era concreta: si la segmentaci\u00f3n manual de \u00f3rganos completos se sustituye por modelos de deep learning de acceso p\u00fablico, \u00bfsiguen siendo equivalentes los atributos radi\u00f3micos y los modelos construidos con ellos?<\/p>\n<p>Los autores reutilizaron dos conjuntos de datos de estudios previos. El conjunto A reuni\u00f3 TC abdominales axiales con contraste de 139 ni\u00f1os con p\u00e1ncreas normal. El conjunto B incluy\u00f3 secuencias axiales de RM potenciadas en T2 de 64 ni\u00f1os y adultos j\u00f3venes, de 7 a 24 a\u00f1os, con enfermedad hep\u00e1tica autoinmune. En cada conjunto, la segmentaci\u00f3n manual actu\u00f3 como referencia y se compar\u00f3 con tres herramientas abiertas:<\/p>\n<ul>\n<li><strong>Conjunto A (TC):<\/strong> MRSegmentator, la tarea de TC por defecto de TotalSegmentator y el modelo de TC de PaNSegNet;<\/li>\n<li><strong>Conjunto B (RM):<\/strong> MRSegmentator, la tarea <em>total_mr<\/em> de TotalSegmentator y el modelo MRI_BODY de NV-Segment-CTMR.<\/li>\n<\/ul>\n<p>De cada m\u00e1scara se extrajeron atributos radi\u00f3micos y se evaluaron dos aspectos: la concordancia entre el valor medido en la m\u00e1scara autom\u00e1tica y en la manual (clasificada en categor\u00edas de pobre a excelente) y la presencia de sesgo, es decir, un desplazamiento sistem\u00e1tico al alza o a la baja. Despu\u00e9s, los investigadores entrenaron modelos con los atributos de cada origen y compararon exactitud y generalizaci\u00f3n.<\/p>\n<h2>Las cifras: concordancia, sesgo y desempe\u00f1o de los modelos<\/h2>\n<p>Seg\u00fan la cobertura de AuntMinnie sobre el art\u00edculo, los tres modelos se comportaron de forma similar dentro de cada conjunto. En la TC pedi\u00e1trica (conjunto A), 30 atributos con MRSegmentator, 32 con TotalSegmentator y 30 con PaNSegNet mostraron concordancia pobre o regular con la referencia manual; 36, 47 y 20 atributos, respectivamente, presentaron sesgo. En la RM (conjunto B) el cuadro fue m\u00e1s marcado: 81, 71 y 86 atributos con concordancia pobre o regular para MRSegmentator, TotalSegmentator y NV-Segment-CTMR, y 88, 92 y 81 con sesgo.<\/p>\n<p>Cuando esos atributos alimentaron modelos predictivos, cambiar el origen de la segmentaci\u00f3n tuvo un costo. Frente a los modelos basados en contornos manuales, la exactitud cay\u00f3 en promedio 0,05 con MRSegmentator y 0,12 con PaNSegNet; con TotalSegmentator no hubo diferencia significativa (media de \u22120,01). La generalizaci\u00f3n empeor\u00f3 en los tres casos, con diferencias medias de 0,15 (MRSegmentator), 0,10 (TotalSegmentator) y 0,17 (PaNSegNet). El material disponible no precisa la escala exacta de estas m\u00e9tricas, por lo que los valores deben leerse como diferencias relativas informadas por los autores.<\/p>\n<p>El grupo concluye que los atributos de m\u00e1scaras generadas por deep learning muestran con frecuencia concordancia limitada y sesgo respecto de los manuales. Recomiendan que quienes desarrollan modelos radi\u00f3micos describan con claridad la metodolog\u00eda de segmentaci\u00f3n y que quienes validan o comparan modelos reconozcan que las diferencias de segmentaci\u00f3n pueden confundir los resultados.<\/p>\n<h2>Contexto t\u00e9cnico: por qu\u00e9 el borde de la m\u00e1scara pesa tanto<\/h2>\n<p>Esta secci\u00f3n resume conocimiento general del \u00e1rea, no resultados del estudio. La radi\u00f3mica convierte una regi\u00f3n de inter\u00e9s en cientos de n\u00fameros. Los atributos de <strong>forma<\/strong> (volumen, superficie, esfericidad) dependen directamente del contorno. Los de <strong>primer orden<\/strong> (media, desviaci\u00f3n est\u00e1ndar, asimetr\u00eda, entrop\u00eda del histograma) cambian cuando la m\u00e1scara incluye algunos v\u00f3xeles de grasa, vaso o par\u00e9nquima vecino. Los de <strong>textura<\/strong>, como los derivados de la matriz de coocurrencia de niveles de gris (GLCM) y de las matrices de longitud de corrida y de zonas, son especialmente sensibles porque el borde concentra los mayores gradientes de intensidad de la imagen.<\/p>\n<p>Por eso, dos contornos con un coeficiente de Dice alto pueden generar atributos de textura muy distintos: el Dice mide superposici\u00f3n volum\u00e9trica, pero apenas registra una franja delgada de v\u00f3xeles en la periferia, justo donde reside buena parte de la informaci\u00f3n de textura. La Image Biomarker Standardisation Initiative (IBSI) estandariz\u00f3 definiciones y c\u00e1lculos de atributos (<a href=\"https:\/\/doi.org\/10.1148\/radiol.2020191145\" target=\"_blank\" rel=\"noopener\">Zwanenburg et al., Radiology 2020<\/a>), lo que reduce la variabilidad entre programas, pero no resuelve la variabilidad que introduce la propia segmentaci\u00f3n. Notas recientes de este blog, como el modelo que <a href=\"https:\/\/rtmedical.com.br\/es\/ia-radiomica-tc-riesgo-cancer\/\">lee riesgo de c\u00e1ncer en TC normales<\/a> y el que <a href=\"https:\/\/rtmedical.com.br\/es\/ia-tc-neumonitis-inmunoterapia-cipher\/\">predice neumonitis por inmunoterapia a partir de la TC<\/a>, dependen precisamente de esta cadena segmentaci\u00f3n-atributo-modelo.<\/p>\n<h2>Implicaciones pr\u00e1cticas para radiolog\u00eda y radioterapia<\/h2>\n<p>Para los grupos de investigaci\u00f3n, el mensaje es metodol\u00f3gico: mezclar m\u00e1scaras manuales y autom\u00e1ticas en un mismo estudio, o validar externamente un modelo radi\u00f3mico con segmentaciones de otro origen, puede introducir un desplazamiento sistem\u00e1tico que se confunde con un efecto biol\u00f3gico. Registrar la herramienta, la versi\u00f3n y la tarea de segmentaci\u00f3n pasa a ser tan importante como registrar el protocolo de adquisici\u00f3n.<\/p>\n<p>En radioterapia, donde el contorneo autom\u00e1tico de \u00f3rganos de riesgo ya forma parte de la rutina de muchos servicios, el estudio refuerza una idea conocida en f\u00edsica m\u00e9dica: m\u00e9tricas geom\u00e9tricas como el Dice y la distancia de Hausdorff son necesarias, pero no suficientes para juzgar si un contorno sirve para un uso posterior concreto, ya sea un histograma dosis-volumen o un biomarcador de imagen. La evaluaci\u00f3n debe considerar el uso final y mantener una nomenclatura coherente de las estructuras, tema de nuestra <a href=\"https:\/\/rtmedical.com.br\/es\/tg-263-estandarizacion-estructuras-radioterapia\/\">gu\u00eda sobre el TG-263<\/a>. Cabe se\u00f1alar que el estudio no evalu\u00f3 contornos para planificaci\u00f3n ni dosimetr\u00eda; la extrapolaci\u00f3n a radioterapia es contextual.<\/p>\n<p>En Brasil y en Am\u00e9rica Latina, donde las cohortes radi\u00f3micas suelen armarse con datos de varios centros y herramientas abiertas, la recomendaci\u00f3n de documentar y estandarizar la segmentaci\u00f3n es especialmente relevante, ya que las diferencias entre hospitales pueden sumarse a las diferencias entre m\u00e9todos de contorneo.<\/p>\n<h2>Limitaciones y pr\u00f3ximos pasos<\/h2>\n<p>Se trata de una carta de investigaci\u00f3n, con muestras moderadas, poblaciones pedi\u00e1tricas y de adultos j\u00f3venes y datos retrospectivos de estudios anteriores. La segmentaci\u00f3n manual se tom\u00f3 como referencia, aunque tambi\u00e9n tiene variabilidad entre observadores. Los modelos evaluados son herramientas p\u00fablicas de uso general, sin ajuste fino para los conjuntos analizados, y los hallazgos no se refieren a otras herramientas, comerciales o no. El material consultado tampoco informa el n\u00famero total de atributos extra\u00eddos ni la definici\u00f3n exacta de las m\u00e9tricas de concordancia y desempe\u00f1o. Como en <a href=\"https:\/\/rtmedical.com.br\/es\/radiomica-osteoartritis-mano-rayos-x-ia\/\">otros modelos radi\u00f3micos recientes<\/a>, la validaci\u00f3n externa y el reporte metodol\u00f3gico transparente siguen siendo requisitos para el uso cl\u00ednico.<\/p>\n<p><strong>Fuente:<\/strong> <a href=\"https:\/\/www.auntminnie.com\/clinical-news\/mri\/article\/15837496\/manual-dlgenerated-segmentations-differ-in-radiomic-features\" target=\"_blank\" rel=\"noopener\">AuntMinnie<\/a><\/p>\n","protected":false},"excerpt":{"rendered":"<p>Estudio en AJR: los atributos radi\u00f3micos de segmentaciones por deep learning difieren de los manuales en TC y RM, con sesgo y peor generalizaci\u00f3n.<\/p>\n","protected":false},"author":5,"featured_media":19798,"comment_status":"closed","ping_status":"closed","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,"_rt_cluster":"","fifu_image_url":"","fifu_image_alt":"","footnotes":""},"categories":[229,183],"tags":[],"class_list":["post-19831","post","type-post","status-publish","format-standard","has-post-thumbnail","category-inteligencia-artificial-es","category-radiologia-es"],"aioseo_notices":[],"rt_seo":{"title":"","description":"Estudio en AJR: los atributos radi\u00f3micos de segmentaciones por deep learning difieren de los manuales en TC y RM, con sesgo y peor generalizaci\u00f3n.","canonical":"","og_image":"","robots":"index,follow","schema_type":"Article","include_in_llms":true,"llms_label":"Radi\u00f3mica: segmentaci\u00f3n manual vs. deep learning (Dudley et al., AJR 2026)","llms_summary":"Carta de investigaci\u00f3n en AJR (Dudley et al., Cincinnati Children's, doi:10.2214\/AJR.26.35746): en TC abdominal de 139 ni\u00f1os y RM T2 de 64 j\u00f3venes, MRSegmentator, TotalSegmentator, PaNSegNet y NV-Segment-CTMR generaron 30-32 (TC) y 71-86 (RM) atributos radi\u00f3micos con concordancia pobre\/regular y 20-47 (TC) y 81-92 (RM) con sesgo frente a la segmentaci\u00f3n manual; los modelos entrenados con atributos de m\u00e1scaras autom\u00e1ticas tuvieron peor generalizaci\u00f3n (0,10-0,17) y, salvo TotalSegmentator, peor exactitud.","faq_items":[],"video":[],"gtin":"","mpn":"","brand":"","aggregate_rating":[]},"_links":{"self":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/19831\/"}],"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\/5\/"}],"replies":[{"embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/comments\/?post=19831"}],"version-history":[{"count":1,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/19831\/revisions\/"}],"predecessor-version":[{"id":19833,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/posts\/19831\/revisions\/19833\/"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/media\/19798\/"}],"wp:attachment":[{"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/media\/?parent=19831"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/categories\/?post=19831"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/rtmedical.com.br\/es\/wp-json\/wp\/v2\/tags\/?post=19831"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}