La inteligencia artificial en medicina nuclear
Mes : 2026-04
Apoyo diagnóstico, mejora de imágenes y asistencia en informes. Panorama concreto y mesurado de los usos actuales de la IA en nuestra especialidad, a la luz de las publicaciones 2024-2026.
La medicina nuclear es ya un campo altamente tecnológico. Se basa en la imagen, la cuantificación, el software de reconstrucción, los datos clínicos y, cada vez más, en la automatización. En este contexto, la inteligencia artificial no llega como una ruptura total, sino más bien como una nueva capa de ayuda, capaz de acelerar ciertas tareas, mejorar la calidad de las imágenes y apoyar la interpretación.
Desde 2024, la literatura especializada muestra una clara aceleración en los trabajos sobre IA aplicada al PET, SPECT, corrección de artefactos, segmentación, cuantificación y redacción asistida de informes.
La IA puede ayudar a la medicina nuclear a ser más rápida, más reproducible y a veces más precisa. Pero no es ni mágica ni autónoma.
01 · Apoyo diagnóstico
En medicina nuclear, la IA es particularmente adecuada para tareas que requieren detectar patrones sutiles, comparar intensidades, medir volúmenes o integrar grandes cantidades de información.
En la práctica, la IA puede ayudar a detectar mejor una lesión difícil de ver, estimar más rápidamente la carga tumoral, segmentar automáticamente estructuras o estandarizar ciertas medidas cuantitativas.
Un ejemplo notable publicado a principios de 2026 por Zhang et al. ilustra el valor de un modelo 3D multimodal PET/TC entrenado en 474 pacientes para la predicción del estadio T del cáncer colorrectal.
A retener. El algoritmo no realiza el diagnóstico en lugar del médico. Actúa como un segundo lector digital: llama la atención, pre-segmenta, cuantifica, propone una clasificación o puntuación. El diagnóstico final sigue siendo clínico y humano.
02 · Imágenes más limpias y utilizables
Una de las áreas donde la IA es más impresionante hoy en día es la mejora de imágenes. Los modelos de deep learning son capaces de mejorar imágenes PET o SPECT ruidosas, restaurar adquisiciones de bajo conteo.
Para el paciente, el beneficio potencial es muy concreto. Si se puede obtener una imagen de buena calidad con menos ruido a pesar de menos cuentas, esto abre la puerta a una reducción de la dosis inyectada o a un tiempo de adquisición más corto.
Este principio está ahora validado en estudios multicéntricos a gran escala. Maes et al. publicaron en 2025 en EJNMMI una evaluación externa ciega del software NUCLARITY.
Sin embargo, se debe tener precaución. Una imagen visualmente más bella no siempre es sinónimo de perfecta fidelidad biológica. Conclusión práctica: nunca mezclar imágenes con y sin denoising en el seguimiento longitudinal.
03 · Corregir lo que el ojo no siempre ve
La IA no solo se usa para limpiar la imagen final. También interviene antes en la cadena técnica: corrección del movimiento respiratorio y cardíaco, corrección de atenuación, co-registro automático PET-TC.
04 · Segmentación automática: la revolución silenciosa
La segmentación — delimitar con precisión los contornos de un órgano o lesión en una imagen 3D — es una tarea crucial pero extraordinariamente laboriosa. La delimitación manual de todas las lesiones tumorales de un linfoma de cuerpo entero puede llevar más de una hora a un médico nuclear experimentado. La IA está transformando radicalmente este paso.
Modelos generalistas como TotalSegmentator, MOOSE y modelos fundacionales recientes como SegAnyPET o VISTA3D están ahora disponibles como código abierto o semi-comerciales.
05 · Asistencia en la redacción de informes
Los grandes modelos de lenguaje (LLM) se estudian cada vez más en medicina nuclear para asistir la redacción, estructurar informes, resumir hallazgos, extraer datos clave.
Atención. Este es el área donde el riesgo de error creíble es más preocupante. Un modelo de lenguaje puede producir una frase muy bien escrita pero factualmente falsa. Estas herramientas deben seguir siendo asistentes editoriales bajo estricta supervisión médica.
06 · Mejor vinculación de la imagen con los datos clínicos
La IA se vuelve particularmente interesante cuando fusiona múltiples fuentes: imagen PET o SPECT, TC asociada, datos clínicos, a veces biología molecular. Este es el principio de la radiómica profunda multimodal.
07 · Limitaciones actuales y desafíos futuros
• Falta de datos multicéntricos bien anotados. La mayoría de los modelos se entrenan en cohortes monocéntricas y pierden rendimiento cuando se aplican a imágenes adquiridas en otras máquinas y protocolos. El domain shift sigue siendo el talón de Aquiles del deep learning en imagen médica. • Variaciones entre máquinas y protocolos. Un modelo entrenado en un escáner Siemens Biograph Vision a menudo funciona peor en un antiguo PET GE Discovery. • Limitaciones reglamentarias y RGPD. La comercialización de un dispositivo médico de IA exige el marcado CE (reglamento MDR 2017/745), a menudo en clase IIa o IIb. • Reproducibilidad y explicabilidad. Un algoritmo "caja negra" que simplemente dice "anormal" sin justificar su decisión es difícilmente aceptable en un informe médico. • Formación y aculturación de los equipos. La adopción duradera de una herramienta de IA en el servicio supone una formación inicial y continua de médicos y técnicos.
Conclusión La IA en medicina nuclear ya no es una idea futurista. Ya está presente, especialmente en la mejora de imágenes, el denoising de PET y SPECT, la segmentación automática, la cuantificación y la asistencia en la redacción. Las publicaciones 2024-2026 marcan una transición clara: pasamos de la prueba de concepto a la validación clínica externa multicéntrica. La IA no reemplaza al especialista en medicina nuclear, pero puede ahorrarle tiempo, mejorar la calidad técnica de ciertas exploraciones, reducir la dosis o el tiempo de adquisición, y hacer el análisis más homogéneo entre lectores. El reto para nuestra especialidad en los próximos cinco años es menos técnico que cultural y organizativo: saber elegir las herramientas que aportan valor clínico real, validarlas localmente y formar a los equipos. La IA probablemente está convirtiéndose en un muy buen copiloto para la medicina nuclear. Y como todo buen copiloto, su valor no proviene de su capacidad para decidir solo, sino de su capacidad para asistir inteligentemente al profesional que conserva la responsabilidad final.
🔑 Puntos clave • Apoyo diagnóstico — la IA detecta patrones sutiles, pre-segmenta lesiones, cuantifica la carga tumoral y estandariza las mediciones; actúa como un segundo lector digital, no como decisor. • Mejora de imagen — el deep learning denoisa las adquisiciones PET y SPECT, abriendo la vía a la reducción de dosis o a un tiempo de adquisición más corto; validado en estudios multicéntricos multi-trazador (NUCLARITY, SubtlePET, AiCE, etc.). • Corrección pre-reconstrucción — la IA corrige movimiento, atenuación y co-registro PET-TC para una dosimetría y un seguimiento terapéutico más fiables, en particular en RLT. • Segmentación automática — los foundation models (TotalSegmentator, MOOSE, SegAnyPET, VISTA3D) segmentan hoy 100+ estructuras en menos de un minuto, haciendo por fin practicables MTV y TLG en la rutina. • Asistencia a la redacción — los LLM estructuran los informes y extraen los datos clave, pero deben permanecer bajo supervisión médica estricta (riesgo de error factual plausible). • Fusión multimodal — la IA conecta imagen molecular, TC, datos clínicos y biología para anticipar riesgo de recidiva y respuesta terapéutica. • Limitaciones actuales — pocas herramientas pasan del prototipo al uso clínico amplio: domain shift inter-máquinas, falta de datos anotados, restricciones MDR/FDA y RGPD. • Responsabilidad final — el diagnóstico clínico y la decisión terapéutica siguen siendo humanos; la IA es un copiloto, no un piloto.
• Hashimoto F, Onishi Y, Ote K, Tashima H, Reader AJ, Yamaya T. Deep learning-based PET image denoising and reconstruction: a review. Radiol Phys Technol. 2024;17(1):24-46. doi:10.1007/s12194-024-00780-3 • Balaji V, Song TA, Malekzadeh M, Heidari P, Dutta J. Artificial Intelligence for PET and SPECT Image Enhancement. J Nucl Med. 2024;65(1):4-12. doi:10.2967/jnumed.122.265000 • Miwa K, et al. Innovations in clinical PET image reconstruction: advances in Bayesian penalized likelihood algorithm and deep learning. Ann Nucl Med. 2025. doi:10.1007/s12149-025-02088-7 • Zhang M, Li Y, Zheng C, et al. Fully automated 3D multi-modal deep learning model for preoperative T-stage prediction of colorectal cancer using 18F-FDG PET/CT. Eur J Nucl Med Mol Imaging. 2026;53:910-920. doi:10.1007/s00259-025-07450-5 • Zhang MX, Liu PF, Zhang MD, et al. Deep learning in nuclear medicine: from imaging to therapy. Ann Nucl Med. 2025;39(5):424-440. • Maes J, Carron C, DeKeyser S, et al. Low-count whole-body PET denoising with deep learning in a multicenter, multi-tracer and externally validated study. Eur J Nucl Med Mol Imaging. 2025. doi:10.1007/s00259-025-07672-7 • Silva LC, Constantino C, Teixeira R, et al. Assessing the quantitative feasibility of deep-learning-based denoising of faster-than-1-minute whole-body [18F]FDG PET acquisitions. J Nucl Med. 2025;66(suppl 1):251342. • PET Image Denoising with Rectified Flow. J Nucl Med. 2025;66(suppl 1):251475. • Xue S, Liu F, Wang H, et al. A deep learning method for the recovery of standard-dose imaging quality from ultra-low-dose PET on wavelet domain. Eur J Nucl Med Mol Imaging. 2025;52:1901-1911. doi:10.1007/s00259-024-06994-2 • Raymond C, Zhang D, Cabello J, et al. SMART-PET: a Self-SiMilARiTy-aware generative adversarial framework for reconstructing low-count [18F]-FDG-PET brain imaging. Front Nucl Med. 2024;4:1469490. doi:10.3389/fnume.2024.1469490 • Wasserthal J, Breit HC, Meyer MT, et al. TotalSegmentator: Robust Segmentation of 104 Anatomic Structures in CT Images. Radiol Artif Intell. 2023;5(5):e230024. doi:10.1148/ryai.230024 • Zhang Y, Xue L, Zhang W, et al. SegAnyPET: universal promptable segmentation from positron emission tomography images. Proc IEEE/CVF ICCV. 2025:21107-21116. • He Y, et al. VISTA3D: A Unified Segmentation Foundation Model For 3D Medical Imaging. Proc IEEE/CVF CVPR. 2025. • Riedemann L, Labonne M, Gilbert S. The path forward for large language models in medicine is open. npj Digit Med. 2024;7:339. doi:10.1038/s41746-024-01344-w • Kersting D, Borys K, Küper A, et al. Staging of prostate cancer with ultra-fast PSMA-PET scans enhanced by AI. Eur J Nucl Med Mol Imaging. 2025;52(5):1658-1670.