Farmabiotec Número 26

#26 farmaBIOTEC 95 grandes volúmenes de datos complejos en el entorno de salud, y colaborando con la Dra Julia Camps, líder interna - cional en radiología de mama La idea fue sencilla en su planteamiento, aunque muy compleja en su ejecución: transformar toda esa informa - ción contenida en las imágenes de resonancia en biomar- cadores cuantificables que ayudaran a los radiólogos a comprender mejor el comportamiento fisiológico de los tumores. Así nació Kenko Imalytics en 2021, con la misión de convertir datos complejos en conocimiento clínico útil. ¿Qué oportunidades está generando la IA en el entorno sanitario? Existe una tendencia a asociar la inteligencia artificial en salud con sistemas capaces de predecir diagnósticos o sustituir determinadas tareas clínicas. Sin embargo, desde Kenko Imalytics creemos que su mayor valor está en ayu - dar a los profesionales a comprender mejor la información que ya tienen delante y a tomar decisiones con mayor confianza. En nuestro caso, no utilizamos la inteligencia artificial para emitir un diagnóstico automático a partir de una ima- gen de resonancia magnética. La utilizamos para transfor - mar grandes volúmenes de datos complejos en biomar - cadores cuantitativos que reflejan fenómenos fisiológicos reales, como la vascularización o la densidad celular de un tumor. Esto permite que el radiólogo disponga de información objetiva, interpretable y visualmente comprensible sobre el comportamiento de una lesión. En lugar de reemplazar el criterio clínico, la tecnología amplifica su capacidad de aná- lisis y facilita una evaluación más precisa y personalizada de cada paciente. ¿Cuál es la principal propuesta de valor que aporta Kenko Imalytics con respecto a otras soluciones de IA para la detección del cáncer? La principal diferencia está en lo que comentaba anterior- mente: no somos una ‘black box’, no trabajamos con mode - los de predicción basados exclusivamente en aprendizaje automático a través de casos clínicos. Nuestro enfoque consiste en generar biomarcadores de imagen que refle- jan los fenómenos fisiológicos que están dándose en cada paciente. Es decir, aporta un plus de información persona - lizada para que el profesional sanitario pueda perfilar cada diagnóstico, una vuelta de tuerca frente a las IA que dan un porcentaje de probabilidad de cáncer en una zona concreta. ¿Cómo funciona? A partir de secuencias de resonancia magnética obtenemos información relacionada con la vas- cularización, la densidad celular y la agresividad tumoral y creamos modelos personalizados para cada paciente que muestran las zonas con los comportamientos anormales. Esto permite al radiólogo visualizar las zonas que presentan comportamientos fisiológicos compatibles con un tumor y cuáles corresponden a tejido sano o lesiones benignas, reduciendo notablemente los falsos positivos. Como ejemplo podemos hablar de nuestro primer pro - ducto a punto de salir al mercado, Kenko BreastAI+, que es capaz de ayudar a localizar el tumor, identificar sus zonas más agresivas e incluso aportar información rele- vante sobre su posible subtipo tumoral. Todo ello en ape - nas unos minutos y sin sustituir nunca el criterio clínico del especialista. ¿Por qué se centran más en la ‘interpretabilidad’ y menos en la ‘predicción’? Muchas herramientas ofrecen resultados predictivos muy potentes, pero funcionan como cajas negras. El pro - fesional recibe una probabilidad o una recomendación sin comprender realmente qué información ha utilizado el algo- ritmo para llegar a ella. Nosotros hemos optado por un camino diferente. Aportamos modelos personalizados que el médico entiende fácilmente y puede interpretar la información que recibe. Nuestros biomarcadores muestran fenómenos fisiológicos como la angiogénesis tumoral o la densidad celular, permi- tiendo que el radiólogo entienda qué está viendo y cómo esa información complementa su razonamiento clínico. La última palabra siempre corresponde al especialista. Nuestro papel es proporcionarle más información, no sus- tituir su criterio. Ensayos clínicos "No trabajamos con modelos de predicción basados en cajas negras; generamos biomarcadores de imagen que reflejan los fenómenos fisiológicos reales de cada paciente".