.jpg)
En l'àmbit del diagnòstic per imatge en oncologia toràcica, la comparació entre models fundacionals de deep learning i la radiòmica tradicional ha cobrat un interès creixent. Un estudi recent avalua com diferents extractors de característiques, classificadors i règims de segmentació influeixen en tasques com la classificació de volum tumoral, estadificació, predicció de supervivència o tipus histològic. Els resultats subratllen que no existeix una solució única: el disseny òptim depèn en gran mesura de la tasca clínica específica. Per exemple, la segmentació tumoral resulta crítica per predir volum i estadi, mentre que l'elecció del classificador impacta més en supervivència i histologia. Això té implicacions directes per al desenvolupament d'aplicacions a mida en entorns hospitalaris, on la integració d'intel·ligència artificial per a empreses requereix equilibrar precisió, robustesa i escalabilitat.
La radiòmica, malgrat la seva maduresa, segueix sent competitiva en tasques com volum tumoral i estadificació, en part degut a la relació amb les etiquetes derivades de les pròpies segmentacions. En canvi, models com Curia i les seves variants assoleixen puntuacions comparables en predicció de supervivència, mentre que DINOv3 es situa lleugerament per darrere. Una troballa rellevant és que els mètodes d'agregació per pegats o talls tenen un impacte mínim, simplificant el disseny de pipelines. Per a equips de recerca o empreses que busquin implementar solucions robustes, recomanem explorar estratègies d'IA per a empreses que permetin adaptar aquestes troballes a cohorts de mida reduïda, evitant el sobreajustament mitjançant dissenys en dues etapes.
Des d'una perspectiva tècnica, l'elecció del classificador —des de regressió logística fins a mètodes ensemble com CatBoost— pot marcar la diferència. La recomanació general de l'estudi és utilitzar Curia amb segmentació tumoral i CatBoost com a capçalera classificadora, aconseguint el millor rànquing mitjà en les tres tasques clíniques principals. Tanmateix, quan no es disposa de delineacions tumorals precises, una alternativa viable és combinar Curia-2 amb segmentació pulmonar i regressió logística. Això demostra la importància de comptar amb aplicacions a mida que permetin personalitzar cada component del pipeline segons les necessitats del projecte.
En aquest context, el paper d'una empresa de desenvolupament de programari com Q2BSTUDIO resulta clau. No només perquè oferim serveis d'intel·ligència artificial i agents IA adaptats a sectors com el sanitari, sinó perquè també integrem capacitats de ciberseguretat, serveis cloud AWS i Azure, i serveis d'intel·ligència de negoci com Power BI. El nostre enfocament permet que els models d'aprenentatge automàtic es despleguin de forma segura, escalable i auditada. Per exemple, un hospital que desitgi implementar un sistema de fenotipatge de càncer de pulmó basat en TAC pot beneficiar-se d'un desenvolupament de programari a mida que combini radiòmica o models fundacionals amb una infraestructura cloud robusta i dashboards analítics.
La recerca també destaca que, tot i que els models fundacionals prometen certa generalització, la robustesa entre cohorts segueix sent un repte. La mètrica principal de l'estudi va ser el rendiment en el pitjor cas entre cohorts, cosa que reflecteix la necessitat de provar sistemes en poblacions externes. Aquí, l'experiència en serveis cloud AWS i Azure de Q2BSTUDIO pot ajudar a gestionar grans volums de dades d'imatge i a mantenir la conformitat normativa. Així mateix, la incorporació d'agents IA per automatitzar fluxos de treball clínics —des de la segmentació fins a la generació d'informes— és una línia de valor afegit.
En definitiva, la comparativa entre models fundacionals i radiòmica en TAC de pulmó revela que no hi ha un guanyador absolut, sinó que el disseny depèn de la tasca. L'important és comptar amb la flexibilitat tècnica i el coneixement necessari per implementar solucions personalitzades. A Q2BSTUDIO oferim aquest know-how, combinant desenvolupament d'aplicacions a mida amb intel·ligència artificial, ciberseguretat, cloud i business intelligence, perquè les organitzacions puguin aprofitar al màxim els avenços en imatge mèdica. Si la seva empresa o institució busca fer el salt cap a la medicina de precisió, explorar les nostres capacitats en IA per a empreses pot ser el primer pas.
