Optimizar el seguimiento del cáncer es uno de los grandes desafíos actuales de los sistemas de salud. En Chile, se diagnostican alrededor de 60 mil nuevos casos de cáncer al año y fallecen aproximadamente 30 mil personas por esta enfermedad.
En este escenario, la evaluación y el seguimiento tumoral figuran entre los principales desafíos de la medicina oncológica, ya que exigen procesos altamente demandantes, como revisar imágenes, identificar lesiones y comparar distintos controles para determinar si un tratamiento está dando resultado. Si bien este proceso cuenta con protocolos estandarizados de alta fiabilidad, como RECIST 1.1, su aplicación sigue siendo manual, exigente y variable debido a la subjetividad.
Frente a este escenario, un equipo interdisciplinario de investigadores de la Universidad de Chile y la Universidad de Concepción desarrolló una base de datos de imágenes oncológicas que busca convertirse en una pieza clave para el avance de la inteligencia artificial aplicada al seguimiento del cáncer en Chile.
Un aporte a la oncología con inteligencia artificial
La base de datos incluye 1.246 lesiones segmentadas a partir de 58 tomografías computarizadas de 22 pacientes con cáncer tratados en el Hospital Clínico Universidad de Chile, e incorpora tumores primarios, metástasis y ganglios linfáticos, junto con mediciones clínicas basadas en el protocolo RECIST 1.1.
Uno de los principales aportes del estudio es que responde a una carencia concreta en el área: la falta de datos clínicos completos, bien anotados y disponibles bajo condiciones de acceso abierto responsable para el desarrollo de inteligencia artificial.
Si bien ya se contaba con repositorios parciales, centrados en ciertos órganos o tipos de lesiones, no existía un recurso abierto e integral en el área. «Cuando comenzamos este proyecto, no existían datos públicos que abordaran todo el proceso RECIST, con mediciones y seguimiento longitudinal de los tumores. Existían datos aislados, pero no un conjunto así de completo», señala la investigadora Constanza Vásquez.
Los especialistas afirman que la escasez de datos bien anotados ha sido una de las principales barreras para que la inteligencia artificial avance en imagenología oncológica local. En este caso, además, no se trata solo de reunir imágenes, sino de construir una base validada por especialistas en radiología, con lesiones delineadas una a una y asociadas a un protocolo clínico real. «Estamos disponibilizando estos datos que antes no existían. Entonces, si hoy alguien quiere abordar este problema, tiene acceso a ellos de manera directa», destaca el Dr. Guillermo Cabrera.
A diferencia de otros conjuntos de datos parciales, esta base incluye tumores primarios, metástasis y ganglios linfáticos, además de las mediciones clínicas asociadas al seguimiento tumoral. La investigación entrega el primer conjunto de datos de acceso público con segmentaciones exhaustivas de todas las lesiones medibles junto con sus mediciones RECIST, lo que abre nuevas posibilidades para entrenar modelos, validar herramientas y avanzar hacia evaluaciones más consistentes de la carga tumoral.
El conjunto de datos presentado en este estudio constituyó un recurso fundamental para la validación de modelos de segmentación automática, incluidos métodos de referencia como MedSAM y nnU-Net.
Sobre la proyección, orientado a avanzar hacia nuevas validaciones, uno de sus autores principales, Roberto Rojas, enfatiza: «Haber generado estos datos tiene un impacto enorme, porque son escasos y muy difíciles de anotar». Aunque el estudio aún no entrega un modelo listo para su uso inmediato en hospitales, sí sienta una base fundamental para adaptar futuras herramientas de inteligencia artificial a la práctica clínica en Chile.
El trabajo fue publicado en la revista Scientific Data bajo el título «A CT Dataset with RECIST Measurements and Comprehensive Segmentation Masks for Tumors and Lymph Nodes»
