Si alguna vez le han hecho una exploración por TEP, sabrá que es una prueba terrible. Las exploraciones ayudan a los médicos a detectar el cáncer y rastrear su propagación, pero el proceso en sí es una pesadilla logística para los pacientes.
Comienza con un ayuno de cuatro a seis horas antes de ingresar al hospital, y buena suerte si vive en una zona rural y su hospital local no tiene un escáner PET. Cuando llegas al hospital, te inyectan material radiactivo, después de lo cual debes esperar una hora mientras recorre tu cuerpo. A continuación, ingresa al escáner PET y debe intentar permanecer quieto durante 30 minutos mientras los radiólogos adquieren la imagen. Después de eso, debes mantenerte físicamente alejado de los ancianos, los jóvenes y las mujeres embarazadas por hasta 12 horas porque estás literalmente semi-radiactivo.
¿Otro cuello de botella? Los escáneres PET se concentran en las principales ciudades porque sus trazadores radiactivos deben producirse en ciclotrones cercanos (máquinas nucleares compactas) y usarse en cuestión de horas, lo que limita el acceso en hospitales rurales y regionales.
Pero, ¿qué pasaría si se pudiera utilizar la IA para convertir las tomografías computarizadas, que son mucho más accesibles y asequibles, en tomografías por emisión de positrones? Ese es el tono de RADICAITuna empresa derivada de Oxford que surgió de manera sigilosa este mes con 1,7 millones de dólares en financiación previa a la semilla. La startup con sede en Boston, finalista del Top 20 en Campo de batalla de inicio en TechCrunch interrumpe 2025acaba de abrir una recaudación de 5 millones de dólares para avanzar en sus ensayos clínicos.
“Lo que realmente hacemos es tomar la solución de imágenes médicas más limitada, compleja y costosa en radiología y la reemplazamos con la más accesible, simple y asequible, que es la TC”, dijo a TechCrunch Sean Walsh, director ejecutivo de RADiCAIT.
La salsa secreta de RADiCAIT es su modelo fundamental: una red neuronal profunda generativa inventada en 2021 en la Universidad de Oxford por un equipo dirigido por el cofundador y director de información médica de la startup, Regent Lee.
El modelo aprende comparando tomografías computarizadas y tomografías por emisión de positrones, mapeándolas y seleccionando patrones en cómo se relacionan entre sí. Sina Shahandeh, tecnólogo jefe de RADiCAIT, lo describe como conectar “fenómenos físicos distintos” al traducir la estructura anatómica en función fisiológica. Luego, se indica al modelo que preste especial atención a características o aspectos específicos de las exploraciones, como ciertos tipos de tejido o anomalías. Este aprendizaje enfocado se repite muchas veces con muchos ejemplos diferentes, de modo que el modelo pueda identificar qué patrones son clínicamente importantes.
Evento tecnológico
san francisco
|
27-29 de octubre de 2025
La imagen final que se envía a los médicos para su revisión se crea combinando varios modelos trabajando juntos. Shahandeh compara el enfoque con AlphaFold de Google DeepMind, la IA que revolucionó la predicción de la estructura de las proteínas: ambos sistemas aprenden a traducir un tipo de información biológica en otro.
Walsh afirma que el equipo de RADiCAIT puede demostrar matemáticamente que sus imágenes PET sintéticas o generadas son estadísticamente similares a las exploraciones PET químicas reales.
“Eso es lo que nuestros ensayos muestran”, dijo, “que se ha tomado la misma calidad de decisión cuando al médico, radiólogo u oncólogo se le realiza una PET química o [our AI-generated PET].”
RADiCAIT no promete reemplazar la necesidad de exploraciones PET en entornos terapéuticos específicos, como la terapia con radioligandos, que mata las células cancerosas. Pero para fines de diagnóstico, estadificación y seguimiento, la tecnología de RADiCAIT podría hacer que las exploraciones PET queden obsoletas.
“Debido a que es un sistema tan limitado, no hay suficiente oferta para satisfacer la demanda de diagnóstico y teragnóstico”, dijo Walsh, refiriéndose a un enfoque médico que combina diagnóstico por imágenes (es decir, exploraciones PET) con terapia dirigida para tratar enfermedades (es decir, cáncer). “Así que lo que estamos tratando de hacer es absorber esa demanda en el lado del diagnóstico. Los propios escáneres PET deberían tomar el relevo en el lado teragnóstico”.
RADiCAIT ya ha iniciado pilotos clínicos específicamente para pruebas de cáncer de pulmón con los principales sistemas de salud como Mass General Brigham y UCSF Health. La startup ahora está llevando a cabo un ensayo clínico de la FDA, un proceso más costoso y complicado que está impulsando la ronda inicial de $5 millones de RADiCAIT. Una vez aprobado, el siguiente paso será realizar pilotos comerciales y demostrar la viabilidad comercial del producto. RADiCAIT también quiere ejecutar el mismo proceso (pilotos clínicos, ensayos clínicos, pilotos comerciales) para casos de uso colorrectal y linfoma.
Shahandeh dijo que el enfoque de RADiCAIT de utilizar la IA para generar conocimientos válidos sin la carga de pruebas difíciles y costosas es “ampliamente aplicable”.
“Estamos explorando extensiones a la radiología”, añadió Shahandeh. “Esperemos ver innovaciones similares que vinculen dominios desde la ciencia de los materiales con la biología, la química y la física dondequiera que se puedan aprender las relaciones ocultas de la naturaleza”.
Si quieres saber más sobre RADiCAIT Únase a nosotros en Disrupt, del 27 al 29 de octubre en San Francisco. Obtenga más información aquí.
