El radiólogo escruta las manchas grises y blancas en la pantalla: decenas de cortes del cuerpo donde hay que encontrar cada punto sospechoso. La segmentación manual de un solo paciente lleva media hora, y en una clínica grande hay cientos de pacientes. El cansancio y la distinta experiencia de los médicos generan inevitablemente variabilidad: dos especialistas delimitan el mismo foco de forma ligeramente distinta.

Esta rutina la asume ahora el nuevo modelo de código abierto GLOW-FDG. Se entrenó con 1563 imágenes combinadas de PET y TC (una muestra dónde las células captan ávidamente la glucosa, la otra la anatomía) en distintos tipos de cáncer: de mama, de pulmón, de cabeza y cuello, y melanoma. En los 185 escáneres externos de otros hospitales, el modelo detectó los focos con más nitidez que los programas públicos rivales y dio menos falsas alarmas. La estimación de la "glotonería glucémica" total de los tumores —un indicador de su agresividad— coincidió casi con la de oncólogos experimentados.

Este asistente no sustituye al médico, pero le quita la parte más monótona del trabajo. La segmentación automática abre la puerta a extraer rápidamente biomarcadores cuantitativos (signos medibles de la enfermedad) directamente de las imágenes, sin demoras ni subjetividad.