El oncólogo radioterápico observa una imagen del abdomen y traza mentalmente la región que debe irradiar. Esa región no se ve como un órgano separado: sus límites los define el protocolo, no los tejidos. Por eso el médico necesita un mapa del vecindario para no dañar estructuras sanas.

El modelo nnU-Net comienza con la misma tarea. Primero aprende con diez casos anotados, pero eso no basta: los pacientes son distintos y los escáneres provienen de diferentes centros. Entonces se le proporciona un mapa de referencias anatómicas de TotalSegmentator, que es como un plano de calles con todos los edificios vecinos etiquetados. El modelo ve dónde está el estómago, dónde el duodeno, y traza el límite con mayor precisión.

El aprendizaje activo funciona de otra manera: el propio modelo identifica los casos en los que no está seguro y pide que se los muestren al médico. Es como un estudiante que en el examen admite no saber la respuesta y recibe una explicación precisamente de esos problemas. Tras cuatro rondas de este entrenamiento adicional, la precisión aumentó de 0.84 a 0.87 según el coeficiente de Dice, una medida de coincidencia entre dos contornos.

Cuando el modelo recibe tanto el mapa como el entrenamiento adicional, su resultado casi no difiere de lo que dibujarían distintos médicos: la variabilidad entre expertos es de 0.89, y la del modelo, de 0.87. Esto significa que el modelo puede utilizarse como referencia preliminar en ensayos clínicos. El médico solo revisa aquellos casos en los que el contorno del modelo genera dudas, y ahorra horas de verificación manual.

El mapa del vecindario y la capacidad de reconocer sus propios errores son dos herramientas sencillas que hacen preciso al guía. Ahora está listo para conducir por las calles desconocidas del abdomen.