Edición Médica

Camilo Ernesto Sarmiento Torres, magíster en Física Médica de la Universidad Nacional de Colombia (UNAL).

Redacción. Bogotá
Por vez primera, la inteligencia artificial (IA) ha logrado captar la carga metabólica tumoral en exámenes de pacientes con cáncer de próstata, marcando un hito en el análisis médico. Con algoritmos avanzados, se reduce a minutos la identificación de las áreas afectadas por estas lesiones, permitiendo determinar rápidamente la progresión o metástasis del cáncer y actuar de manera oportuna para prevenir sus devastadores efectos.
 
El cáncer ha ocasionado 10 millones de muertes en 2020 a nivel mundial, siendo el de próstata uno de los más comunes en hombres. Esta pequeña glándula, ubicada bajo la vejiga y alrededor de la uretra, es crucial para la micción regular y la salud de los espermatozoides.
 
El investigador Camilo Ernesto Sarmiento Torres, magíster en Física Médica de la Universidad Nacional de Colombia (UNAL), ha implementado algoritmos de redes neuronales convolucionales para cuantificar la carga metabólica tumoral, una medida de la actividad celular en la zona afectada por el cáncer. Este enfoque ayuda a comprender la intensidad y extensión de crecimientos anormales en el cuerpo.
 
La tecnología evaluada por el investigador determina la agresividad de un tumor, complementando los análisis del examen de tomografía por emisión de positrones (PET/CT). Este examen escanea la actividad y el funcionamiento de los tejidos mediante radiofármacos, sustancias radiactivas que se administran al paciente y se acumulan en áreas corporales más activas, incluyendo posibles tumores cancerosos.
 
El investigador ha resaltado que, a veces, los análisis de estos exámenes son imprecisos. Los métodos manuales, donde un médico examina las imágenes, y la umbralización del SUV, que establece límites según la actividad metabólica, pueden ser demorados o propensos a imprecisiones.
 
Sarmiento ha recopilado datos de 33 pacientes con cáncer de próstata, utilizando algoritmos para segmentar y analizar las imágenes PET/CT. Estos algoritmos, implementados en Python, convierten las imágenes en escalas de grises y las someten a una red neuronal convolucional para la segmentación pixel por pixel en cada región.
 
Este enfoque, además de proporcionar resultados más rápidos, ofrece una mayor precisión en la identificación de áreas para la administración de radiación durante las terapias contra el cáncer. La implementación de estos algoritmos marca un avance pionero en la detección y seguimiento del cáncer, facilitando significativamente el trabajo de los profesionales médicos y mejorando la atención de los pacientes.

---