La intel·ligència artificial aplicada al diagnòstic per imatge està assolint nivells de precisió que fa una dècada semblaven ciència-ficció. Un estudi recent, publicat al repositori arXiv amb el codi 2607.18638v1, demostra com un ensamblatge de models de deep learning pot estimar simultàniament sexe, edat, altura i pes a partir de radiografies digitals reconstruïdes (DRR) generades de tomografies computaritzades (CT). El treball, que va analitzar més de 128.000 exàmens de 80.000 pacients en nou institucions japoneses, va aconseguir una precisió del 99,7% en la classificació de sexe i errors mitjans absoluts de 3,57 anys per a l'edat, 2,59 cm per a l'altura i 3,40 kg per al pes. Aquests resultats no només són impressionants des del punt de vista científic, sinó que obren la porta a aplicacions comercials i clíniques de gran impacte.
Per entendre el valor d'aquesta tecnologia, cal situar-la en el context actual de la transformació digital del sector salut. Els hospitals i centres de diagnòstic generen volums massius d'imatges mèdiques, però gran part de la informació demogràfica associada (sexe, edat, antropometria) es registra manualment, cosa que introdueix errors i retards. Un sistema automatitzat que extregui aquestes dades directament de la imatge, sense necessitat de processos administratius addicionals, pot agilitzar fluxos de treball, reduir costos i millorar la qualitat de l'atenció. Aquí és on empreses com Q2BSTUDIO poden aportar la seva experiència en intel·ligència artificial i desenvolupament de programari a mida per integrar aquests models en plataformes clíniques reals.
L'estudi va utilitzar tres arquitectures de deep learning —ConvNeXt-Base, ViT-Base/16 i MaxViT-Base— combinades mitjançant un promitjat ponderat. Cada model es va entrenar amb DRR coronals, que són projeccions bidimensionals de la tomografia, similars a una radiografia convencional. Aquest enfocament té l'avantatge que les DRR es poden generar ràpidament a partir de qualsevol CT, cosa que facilita la seva implementació en entorns clínics sense necessitat d'adquirir nous equips. Els investigadors van dividir les dades per institució per avaluar la generalització: el conjunt de prova va provenir d'un centre no vist durant l'entrenament, i a més es va provar amb dos conjunts externs no japonesos. Els resultats van mostrar que l'ensamblatge és robust fins i tot davant de canvis poblacionals, tot i que l'error en altura va augmentar lleugerament als conjunts externs, cosa que es va corregir amb un afinament continu.
Des d'una perspectiva tècnica, la capacitat d'estimar múltiples variables alhora (aprenentatge multitasca) és clau. En lloc d'entrenar un model independent per a cada paràmetre, el sistema comparteix representacions internes que enriqueixen la predicció. Per exemple, l'edat i el sexe es correlacionen amb certs patrons ossis i de teixits tous que, combinats amb l'altura i el pes, permeten estimacions més coherents. L'estudi també va verificar que l'àrea de superfície corporal (BSA) calculada a partir de les estimacions reproduïa les tendències de volum cardíac i hepàtic corregides per BSA que s'obtenien amb els valors reals. Això demostra la utilitat clínica de les estimacions, especialment en cardiologia i hepatologia, on la mida dels òrgans es normalitza per la superfície corporal.
Ara bé, portar aquest tipus de model a un producte operatiu requereix molt més que una xarxa neuronal ben entrenada. Cal construir una infraestructura de programari robusta que pugui processar milers de CT al dia, integrar-se amb sistemes d'informació radiològica (RIS) i picture archiving and communication systems (PACS), i garantir la privacitat de les dades. Aquí entren en joc les competències de Q2BSTUDIO en cloud computing (AWS i Azure) i ciberseguretat. Desplegar un servei d'estimació de paràmetres demogràfics al núvol permet escalar segons la demanda, reduir costos de manteniment i complir amb normatives com el GDPR o la HIPAA. Al mateix temps, la ciberseguretat és crítica quan es manegen dades sanitàries sensibles; per això, les empreses que desenvolupen aquestes solucions han d'implementar xifratge d'extrem a extrem, controls d'accés i auditories periòdiques.
Una altra dimensió interessant és la integració amb eines de Business Intelligence (BI) per analitzar les tendències poblacionals. Per exemple, un hospital podria utilitzar Power BI per visualitzar com varia l'edat mitjana dels pacients sotmesos a CT en diferents departaments, o correlacionar l'altura estimada amb la incidència de certes patologies. Q2BSTUDIO ofereix serveis de BI que permeten connectar les dades d'imatge amb dashboards interactius, facilitant la presa de decisions clíniques i de gestió. A més, els agents d'IA —assistents intel·ligents entrenats per a tasques específiques— podrien automatitzar la validació de les estimacions, assenyalant casos atípics que requereixin revisió humana. Això encaixa perfectament amb la visió de Q2BSTUDIO sobre l'automatització de processos mitjançant programari a mida.
No obstant això, el camí cap a l'adopció clínica generalitzada no està exempt de desafiaments. Les dades de l'estudi provenen principalment d'una població japonesa, i tot i que es va provar amb conjunts externs, la variabilitat anatòmica i demogràfica global pot afectar el rendiment. Per mitigar-ho, es recomana un procés d'afinament continu (continual fine-tuning) amb dades locals, cosa que implica un cicle de retroalimentació constant entre el model i els nous casos. Des del punt de vista empresarial, això obre una oportunitat perquè les empreses de programari ofereixin solucions personalitzades que s'adaptin a cada institució. Per exemple, Q2BSTUDIO podria desenvolupar un sistema que permeti als radiólegs etiquetar manualment un petit conjunt d'imatges per reentrenar el model localment, garantint així una alta precisió en el seu context específic.
L'estimació de sexe, edat, altura i pes a partir d'imatges de CT no és només un exercici acadèmic. Té aplicacions directes en la planificació de tractaments de radioteràpia, on la dosi es calcula en funció de l'anatomia del pacient; en l'avaluació del creixement en pediatria; en l'estimació del risc quirúrgic; i en la investigació epidemiològica. A més, en eliminar la necessitat de mesures manuals (que sovint són imprecises o absents als registres), es millora la qualitat de les dades clíniques. Això, al seu torn, potència el desenvolupament d'altres models d'IA, com els que prediuen malalties o recomanen tractaments, perquè s'entrenen amb dades més fiables.
En resum, la combinació de deep learning, cloud computing, ciberseguretat i BI que proposa l'estudi és un exemple de com la tecnologia pot transformar l'atenció sanitària. Empreses com Q2BSTUDIO estan en una posició privilegiada per capitalitzar aquests avenços, oferint desenvolupaments d'aplicacions a mida que integrin models d'IA, desplegaments segurs a AWS o Azure, dashboards de Power BI i agents intel·ligents per a la supervisió. El futur de la radiologia és cada cop més quantitatiu i automatitzat; qui sàpiga aprofitar aquestes eines liderarà la pròxima generació de serveis clínics.
