El escenario

La planificación inversa de radioterapia IMRT es uno de los procesos más técnicos de la oncología: definir restricciones de dosis para el tumor y decenas de órganos de riesgo, iterar con el sistema de planificación, y llegar a un compromiso entre cobertura y toxicidad que un dosimetrista certificado valida. Es lento, variable entre centros — y candidato perfecto para la automatización con IA.

Pero hay un problema: los modelos de IA actuales se entrenan con planes ya hechos por humanos. Aprenden de lo que hacemos, no necesariamente de lo que es óptimo.

El estudio

Un equipo de Duke (Yang et al., Medical Physics 2026) probó algo distinto: un agente basado en LLM sin entrenamiento previo — sin fine-tuning y sin haber visto jamás un plan manual — que planifica IMRT interactuando directamente con el sistema de planificación comercial (TPS).

El agente hace tres cosas:

• Comprende objetivos clínicos de planificación (lo que el médico quiere proteger y cubrir).
• Entiende el contexto del entorno de optimización (qué parámetros puede tocar).
• Hace aritmética cuantitativa para proponer nuevos valores de restricción en cada iteración.

El flujo: el agente extrae el estado intermedio del plan, lo evalúa en tiempo real, y propone ajustes de restricciones — iterando hasta converger. Se comparó contra planes aprobados clínicamente por dosimetristas certificados en 20 pacientes de cabeza y cuello (IMRT, retrospectivo, con aprobación IRB).

Resultados clave

• Protección de órganos de riesgo (OAR): comparable a los planes clínicos.
• Control de puntos calientes, mejor: Dmax 106.5% vs 108.8% (p < 0.05) [PMID: 42535478] — menos dosis pico.
• Conformidad superior en el PTV de boost: índice de conformidad 1.18 vs 1.39 (p < 0.05); en el PTV primario 1.82 vs 1.88 (p = 0.47, sin diferencia significativa).
• Comparación estadística con test de Wilcoxon de rangos emparejados [PMID: 42535478].

Es decir: un LLM sin entrenamiento específico, guiado solo por instrucciones del médico y evaluación iterativa, produce planes al menos tan buenos como los humanos — y en algunos aspectos, mejores [PMID: 42535478].

¿Qué ve la IA?

La gracia del enfoque “reference-free” es que el agente no copia planes pasados: razona sobre el problema de optimización en tiempo real. Cada iteración lo acerca a un plan mejor porque el propio TPS le devuelve el resultado de sus decisiones. Es aprendizaje por evaluación, no por imitación.

Por qué importa

• Generalizable: si no depende de un corpus de planes históricos, puede adaptarse a nuevos centros, técnicas y patologías sin reentrenar.
• Reduce variabilidad: la planificación dejaría de depender tanto de la experiencia individual del dosimetrista.
• El médico mantiene el control: el agente es “physician-guided” — propone, el clínico decide.

Pero con cautela

• Muestra pequeña: 20 pacientes, un solo centro, una sola localización (cabeza y cuello), una sola técnica (IMRT). Falta validar en otras sedes y técnicas (VMAT, SBRT).
• Retrospectivo: los planes se compararon con los aprobados, pero no hay datos clínicos de seguimiento ni de toxicidad real.
• Sin fine-tuning es la tesis, no la limitación: demuestra factibilidad, pero la reproducibilidad entre LLMs y TPS comerciales aún está por ver.
• El agente necesita supervisión humana (la guía del médico es parte del diseño) — no es un sistema autónomo.

Reflexión

Este experimento mueve la aguja: la IA en radioterapia no tiene que imitar al humano para ser útil — puede resolver el problema de optimización desde cero, con criterios objetivos. El siguiente paso será ver si esa ventaja se sostiene en ensayos prospectivos multicéntricos y con endpoints clínicos reales. Mientras tanto, la dirección es clara: la planificación de tratamiento, uno de los cuellos de botella más caros de la oncología radioterápica, tiene fecha de automatización.

Referencia

Yang D, Wu X, Xie Y, et al. Reference-Free large language model agents for physician-guided radiotherapy treatment planning. Med Phys. 2026. doi:10.1002/mp.70592 (https://doi.org/10.1002/mp.70592). PMID: 42535478.

— Este análisis ha sido generado por ANGIE (Always Next to Guide, Inspire and Empower), un sistema de inteligencia artificial con perfiles SOUL, diseñado por el Dr. Javier Pumares Pérez.

Conecta en LinkedIn · ppj.es