Una enfermedad frecuente, un sistema bajo presión
El cáncer de mama sigue siendo la neoplasia más frecuente en las mujeres de Estados Unidos, y las deficiencias en la cadena asistencial son evidentes. Más de la mitad de las mujeres mayores de 40 años no se realizan el cribado anual recomendado y, en los centros de diagnóstico por imagen, la carga de trabajo es cada vez mayor: se efectúan unos 40 millones de mamografías al año en el país, pero las proyecciones advierten de un déficit de decenas de miles de radiólogos durante la próxima década. Cuando se llega a un diagnóstico, el camino hacia el tratamiento tampoco es inmediato: los análisis genómicos que orientan las decisiones terapéuticas suelen enviarse a laboratorios externos y los resultados pueden tardar entre dos y cuatro semanas, un margen que oncólogos y pacientes no siempre pueden asumir.
Frente a este escenario, un conjunto de compañías amparadas por el programa NVIDIA Inception para startups ha desarrollado aplicaciones de inteligencia artificial que intentan cubrir distintos eslabones de la cadena: desde la captación de la imagen hasta la predicción de la respuesta a las terapias, pasando por la valoración del riesgo y la visualización quirúrgica. Algunas de estas herramientas ya cuentan con la autorización de la Administración de Alimentos y Medicamentos de EE. UU. (FDA) para su uso comercial; otras avanzan en ensayos clínicos multicéntricos.
Ecografía automatizada más cercana al paciente
La startup iSono Health ha diseñado el sistema ATUSA, una plataforma de ecografía 3D cuantitativa portátil que la FDA ha aprobado para uso clínico. El dispositivo se presenta como una unidad vestible capaz de adquirir un volumen estandarizado de la mama en aproximadamente dos minutos por cada pecho, frente a los 45 minutos que puede exigir una ecografía convencional manual. La inteligencia artificial que acompaña al equipo ha sido entrenada con un corpus formado por miles de exploraciones de mama completa, que suman más de 1,5 millones de fotogramas de ultrasonido, y automatiza la adquisición de imágenes para reducir la dependencia del operador.
La compañía afirma que el sistema logra una sensibilidad un 28 % superior a la ecografía 2D manual. Un aspecto relevante desde el punto de vista clínico es la reproducibilidad: las exploraciones manuales varían según quien maneje el transductor, lo que dificulta comparar resultados de un año a otro. ATUSA captura el tejido mamario de forma idéntica en cada sesión, permitiendo a los médicos observar la evolución del tejido a lo largo del tiempo. La plataforma ya está disponible comercialmente a través de clínicas socias en California, Texas, Georgia, Tennessee y Washington D. C., y se prevén nuevas incorporaciones de forma regular.
Neda Razavi, directora general de iSono Health, ha señalado que acercar la exploración al paciente constituye el primer avance, pero que la visión de la compañía consiste en hacer que esa imagen sea progresivamente más informativa, ayudando a los clínicos a entender qué hay y qué ha cambiado. La empresa ha desarrollado además capacidades de IA para la detección de lesiones, la segmentación 3D y la clasificación de masas, y planea ampliar su hoja de ruta hacia una inteligencia diagnóstica multimodal que integre ecografía 3D, mamografía, resonancia magnética e información clínica. Un estudio clínico multicéntrico que incluye a 3.200 pacientes se encuentra en curso en UC Davis y el Vanderbilt University Medical Center para validar el rendimiento de la plataforma.
Tecnología detrás de la imagen
El sistema se beneficia de la aceleración GPU de NVIDIA y de tecnología de imagen médica de código abierto, lo que le permite generar volúmenes 3D en tiempos compatibles con la práctica clínica ambulatoria. La infraestructura computacional subyacente es un requisito para procesar grandes cantidades de datos de imagen sin que la demora en la adquisición afecte a la experiencia del paciente ni a la rentabilidad del servicio.
Densidad mamaria y estimación de riesgo a largo plazo
Whiterabbit.ai desarrolla herramientas de IA orientadas al cribado del cáncer de mama. Su software WRDensity, ya autorizado por la FDA, evalúa de forma automática la densidad mamaria a partir de las mamografías y ha sido utilizado en la atención de cientos de miles de pacientes. La compañía ha creado asimismo WRRisk, un software de apoyo a la decisión clínica destinado a estimar el riesgo a largo plazo de desarrollar cáncer de mama. Paralelamente, investiga una nueva generación de modelos de IA aplicados a la mamografía con la capacidad de ayudar a los radiólogos a detectar más neoplasias mientras automatizan el cribado de las exploraciones que resultan negativas.
Jason Su, cofundador y director tecnológico de Whiterabbit.ai, ha destacado que cada día los radiólogos especializados en mama enfrentan el problema de buscar una aguja en un pajar, ya que detectan aproximadamente un cáncer por cada 200 mamografías, y que el objetivo es que la IA actúe como un apoyo que aclare el camino para que la experiencia humana se centre donde realmente se necesita. Los modelos de la compañía se entrenan en un clúster de GPUs de NVIDIA ubicado en la Washington University de Saint Louis, con capacidad complementaria en la nube, mientras que la inferencia se ejecuta en GPUs de NVIDIA desplegadas directamente en las clínicas.
El propósito declarado de estas herramientas es reducir la carga sobre un colectivo de radiólogos bajo presión, acelerar la entrega de resultados y disminuir las citaciones innecesarias que generan ansiedad en las pacientes y costes adicionales en el sistema sanitario.
Predicción de respuesta al tratamiento a partir de histología digital
Una vez establecido el diagnóstico, la incertidumbre sobre qué terapia funcionará para cada paciente puede retrasar el proceso semanas debido a la necesidad de realizar biopsias y enviar muestras a laboratorios especializados. Ataraxis AI construye una capa de inteligencia clínica que predice la respuesta a diferentes tratamientos y el riesgo de recurrencia utilizando datos digitales, entre ellos láminas de anatomía patológica que ya forman parte del flujo de trabajo estándar del paciente.
Los modelos de la compañía interpretan patrones en las muestras de tejido, visualizados como conglomerados coloreados, y aprenden a asociar las variaciones entre esos patrones con diferencias en el riesgo de recaída y en la quimiosensibilidad. Joseph Cappadona, miembro del equipo técnico de Ataraxis AI, ha explicado que las herramientas que emplean actualmente los oncólogos para orientar la terapia se entrenaron en su mayor parte hace quince años y nunca se actualizaron, mientras que los modelos de su compañía se fortalecen con cada dato de ensayo clínico que incorporan. A medida que escalan, la compañía busca poder responder a más preguntas y personalizar la terapia en múltiples tipos de cáncer.
Un modelo concreto predice si es probable que la quimioterapia neoadyuvante reduzca el tumor a un grado de respuesta que permita la cirugía. Tras la intervención, otro modelo estima el riesgo de recurrencia a cinco años y el beneficio probable de continuar con quimioterapia adyuvante. Ambas herramientas han sido validadas en más de doce instituciones y múltiples ensayos clínicos, y operan en uso clínico activo. El procesamiento se realiza sobre GPUs de NVIDIA instaladas en centros de datos locales, en instalaciones externas y en la nube, con PyTorch acelerado por CUDA de NVIDIA.
Modelos 3D para guiar la cirugía y la planificación terapéutica
SimBioSys, que participó en un panel organizado por NVIDIA con motivo del mes de la concienciación sobre el cáncer de mama, desarrolla tecnología de medicina de precisión basada en IA para construir modelos tridimensionales precisos de tumores de mama, venas y otros tejidos blandos. El objetivo es ofrecer información relevante que oriente las decisiones quirúrgicas y los planes de tratamiento. La compañía ha creado también una herramienta que estima el riesgo de recidiva a partir de datos volumétricos 3D obtenidos de la resonancia magnética de mama, combinada con la patología del tumor y variables clínicas.
Stacey Stevens, directora general de SimBioSys, ha afirmado que la compañía está construyendo una plataforma que integra datos multimodales —exámenes de imagen, resultados de patología, pruebas genómicas cuando están disponibles y otros datos biológicos— mediante IA para generar conclusiones que van más allá de lo que aporta cualquier información individual. Para el entrenamiento y la validación de sus modelos, SimBioSys utiliza MONAI de NVIDIA junto con bibliotecas CUDA-X, como cuBLAS, y MONAI Deploy; la tecnología de imagen se ejecuta en GPUs de NVIDIA en la nube. Stevens ha subrayado que la velocidad que proporciona la infraestructura NVIDIA permite procesar cientos o miles de imágenes de forma rápida, un factor crítico ya que pacientes y médicos necesitan respuestas ágiles.
El panel, celebrado el 2 de octubre en Phoenix (Arizona), reunió a profesionales y representantes de startups del ecosistema NVIDIA para discutir el papel de la IA en el avance de la atención oncológica, y puso de relieve que las soluciones se distribuyen a lo largo de toda la trayectoria del paciente, desde el diagnóstico inicial hasta el seguimiento posquirúrgico.
Aceleración gráfica como eje transversal
Todas las compañías citadas comparten el uso de GPUs de NVIDIA como pilar infraestructural, ya sea en centros de datos propios, en la nube o en entornos periféricos de clínica. La disponibilidad de capacidad de cómputo paralelo es determinante para el entrenamiento de modelos sobre grandes volúmenes de datos de imagen y para la inferencia en tiempo real o casi real, que exige la práctica clínica.
Límites y perspectivas del escenario actual
El programa NVIDIA Inception ampara un conjunto de startups que abordan problemas distintos pero complementarios del ecosistema oncológico. No todas las herramientas descritas están validadas para todos los usos: algunas cuentan con aprobación regulatoria para indicaciones concretas, mientras que otras se mantienen en fase de investigación o ensayo clínico. La compañía matriz ha destacado que determinadas tecnologías descritas en el material de referencia son investigacionales y no han sido aprobadas por la FDA para uso comercial general.
Lo que sí resulta claro es que la escasez proyectada de radiólogos, los plazos de espera en los análisis genómicos y las dificultades de acceso al cribado constituyen cuellos de botella estructurales. Las soluciones de IA que se presentan no reemplazan al profesional, sino que actúan como apoyo en distintas fases: automatizando la adquisición de imágenes, asistiendo la lectura de mamografías, prediciendo respuestas terapéuticas a partir de datos patológicos y generando representaciones 3D que facilitan la planificación quirúrgica. El reto restante consiste en ampliar la validación clínica, diversificar las poblaciones estudiadas e integrarlas de manera fluida en los flujos de trabajo existentes sin generar fricción adicional para los equipos humanos que lideran la atención.
