La tomografia computada (TC) és una de les tècniques d'imatge mèdica més utilitzades, però la seva reconstrucció a partir de dades de projecció continua sent un repte computacional, especialment quan no es disposa d'imatges de referència (ground truth) per entrenar models supervisats. En aquest context, l'aprenentatge profund no supervisat ha sorgit com una alternativa prometedora, combinant principis d'optimització iterativa, Deep Image Prior (DIP) i esquemes d'unfolding. Investigacions recents demostren que és possible entrenar una xarxa neuronal que, després d'un únic pas cap endavant (forward pass), reconstrueixi imatges de TC amb qualitat comparable a mètodes clàssics com la retroprojecció filtrada (FBP) o la reconstrucció de màxima versemblança, eliminant la necessitat d'ajustos per imatge i aconseguint una acceleració de fins a quatre ordres de magnitud. Aquest enfocament, conegut com a reconstrucció amortiguada (amortized reconstruction), obre la porta a aplicacions clíniques en temps real, on cada segon compta.
Per entendre el potencial d'aquesta tècnica, convé repassar els seus fonaments. A la TC, l'objectiu és recuperar una imatge tridimensional a partir de projeccions de raigs X. Tradicionalment, s'empren mètodes analítics com FBP, que són ràpids però sensibles al soroll i als artefactes. Els mètodes iteratius, com la reconstrucció de màxima versemblança, milloren la qualitat però requereixen múltiples iteracions, la qual cosa incrementa el temps de càlcul. El Deep Image Prior explota l'estructura mateixa de la xarxa com a regularitzador, aprenent una imatge a partir de soroll aleatori sense dades d'entrenament, però cada nova imatge exigeix una optimització completa. La novetat de l'enfocament amortiguat és que, durant l'entrenament, la xarxa aprèn a mapar directament les projeccions a la imatge reconstruïda, de manera que en inferència només necessita un forward pass. Això és possible gràcies a pèrdues en el domini de les projeccions (sense necessitat de ground truth en imatge) i a l'estructura de la xarxa que imita els passos d'un algorisme iteratiu.
Els resultats experimentals amb conjunts de dades com 2DeteCT mostren que aquesta estratègia no supervisada iguala o supera la qualitat de FBP i de xarxes supervisades amb la mateixa arquitectura. A més, reemplaça la costosa optimització per imatge (típicament minuts) per una inferència de mil·lisegons, la qual cosa suposa un salt qualitatiu per a aplicacions crítiques com la TC d'emergència, la planificació quirúrgica intraoperatòria o la monitorització en temps real durant procediments intervencionistes.
En aquest escenari, el paper del desenvolupament de programari especialitzat resulta fonamental. Empreses com Q2BSTUDIO ofereixen desenvolupament d'aplicacions a mida que integren aquests models d'intel·ligència artificial en entorns clínics reals. Per exemple, una plataforma de TC que incorpori reconstrucció amortiguada ha de gestionar grans volums de dades, garantir la seguretat de la informació sanitària i oferir interfícies intuïtives per a radiólegs. Aquí convergeixen diverses capacitats tecnològiques: la IA per a l'entrenament i desplegament de xarxes neuronals, la ciberseguretat per protegir dades de pacients conforme a normatives com GDPR o HIPAA, i el núvol (AWS/Azure) per escalar el processament sota demanda. A més, la integració amb sistemes de Business Intelligence (Power BI) permet analitzar el rendiment dels models i optimitzar fluxos de treball hospitalaris. Fins i tot és possible incorporar agents d'IA que automatitzin tasques com la detecció d'anomalies o la priorització d'estudis.
Des de la perspectiva empresarial, aquesta tecnologia representa una oportunitat de diferenciació. Els fabricants d'equips mèdics i els proveïdors de programari de diagnòstic poden oferir solucions de reconstrucció més ràpides i precises sense dependre de costosos conjunts de dades etiquetades. La reducció del temps de reconstrucció —de minuts a mil·lisegons— no només millora l'experiència del pacient, sinó que també incrementa el rendiment de l'equip, permetent atendre més estudis per hora. Q2BSTUDIO compta amb experiència en el disseny de solucions clau en mà que abasten des de l'adquisició de dades fins a la inferència en el vora (edge computing), passant per l'orquestració de contenidors al núvol i la implementació de pipelines de MLOps.
Els desafiaments futurs inclouen l'adaptació a múltiples conjunts de dades (diferents tipus d'escàners, protocols i patologies), la mitigació del sobre-suavitzat en les reconstruccions i la quantificació avançada de la incertesa. En cadascun d'aquests punts, el desenvolupament de programari a mida juga un paper crucial: es requereixen arquitectures flexibles que permetin transferir aprenentatge entre dominis, tècniques de regularització adaptativa i mètodes bayesians per estimar la confiança de les prediccions. Així mateix, la integració amb intel·ligència artificial d'avantguarda, com els models generatius o els transformers, podria elevar encara més la qualitat de les imatges.
En conclusió, l'aprenentatge profund no supervisat aplicat a la tomografia computada està madurant ràpidament. La reconstrucció amortiguada ofereix una combinació inèdita de velocitat i qualitat, obrint el camí cap a aplicacions clíniques en temps real. Perquè aquesta promesa es materialitzi, la col·laboració entre investigadors, clínics i empreses de tecnologia és indispensable. Q2BSTUDIO, amb la seva capacitat per desenvolupar programari a mida, implementar infraestructura al núvol, garantir la ciberseguretat i desplegar agents d'IA, es posiciona com un aliat estratègic en la transformació digital del diagnòstic per imatge.
