La radioterapia actual se apoya en cálculos extremadamente precisos para asegurar que la dosis administrada al paciente coincide con lo planificado. Cualquier desviación, incluso pequeña, puede afectar al control tumoral o incrementar el riesgo para tejidos sanos. Por este motivo, el control de calidad previo y durante el tratamiento es un elemento crítico en la práctica clínica. Tradicionalmente, las simulaciones Monte Carlo han sido el método más fiable para verificar distribuciones de dosis, aunque su elevado coste computacional ha limitado su uso cotidiano.

En los últimos años, la aceleración mediante GPU y la incorporación de técnicas de aprendizaje profundo han permitido replantear este equilibrio entre precisión y tiempo de cálculo. Un trabajo reciente propone un sistema integrado que combina simulación Monte Carlo rápida con deep learning para mejorar el control de calidad en radioterapia basada en EPID. El planteamiento busca reducir el ruido estadístico de simulaciones rápidas sin perder fidelidad física, acercando este tipo de verificación avanzada al entorno clínico real.

Simulación Monte Carlo y verificación de dosis

La simulación Monte Carlo reproduce de forma estocástica el transporte de fotones y electrones a través del paciente y del sistema de detección. Cuando se utilizan del orden de 10⁹ historias de partículas, el error estadístico puede situarse por debajo del 1 %, lo que la convierte en una referencia para la verificación de dosis. El inconveniente es que este nivel de precisión suele requerir varios minutos de cálculo, incluso en estaciones de trabajo con GPU, lo que dificulta su aplicación rutinaria.

Para abordar este problema, los investigadores trabajaron con simulaciones mucho más rápidas, generadas con entre 10⁶ y 10⁸ partículas. Estas simulaciones reducen el tiempo de cálculo a segundos, pero introducen un nivel de ruido que compromete su utilidad clínica directa. La clave del enfoque propuesto es asumir ese ruido inicial y corregirlo posteriormente mediante una red neuronal entrenada para reconstruir distribuciones de dosis físicamente coherentes. Estrategias similares ya habían demostrado su viabilidad en estudios sobre eliminación de ruido en cálculos Monte Carlo publicados en Medical Physics, donde se muestra que las redes convolucionales pueden preservar gradientes de dosis relevantes incluso con entradas muy degradadas.

En pruebas realizadas con tratamientos IMRT de pulmón, la similitud estructural (SSIM) de una simulación con 10⁶ partículas aumentó de 0,61 a 0,95 tras el procesado con deep learning. De forma paralela, la tasa de paso gamma (GPR) bajo criterios 3 %/3 mm mejoró desde un 48,47 % hasta un 89,10 %. Desde un punto de vista técnico, esto indica que el modelo es capaz de reconstruir con alta fidelidad la estructura espacial de la dosis, incluso cuando el ruido estadístico inicial es elevado.

ARCHER y SUNet como núcleo del sistema

El elemento central del sistema es la integración del código Monte Carlo ARCHER con una red neuronal profunda denominada SUNet. ARCHER está optimizado para GPU y permite simular con rapidez la transmisión de dosis medida por el EPID, mientras que SUNet actúa como un filtro inteligente que reduce el ruido sin suavizar en exceso los gradientes dosimétricos. Esta combinación permite mantener la coherencia física del cálculo al tiempo que se acelera el proceso de verificación.

En términos de rendimiento, el procesado con SUNet añade únicamente entre 0,13 y 0,16 segundos al flujo completo. Una simulación con 10⁷ partículas puede completarse y limpiarse en aproximadamente 1,9 segundos, mientras que con 10⁸ partículas el tiempo total ronda los 8,8 segundos. En este último caso, la GPR alcanza el 99,55 %, un valor prácticamente equivalente al de simulaciones Monte Carlo de alta estadística. Este comportamiento escalable permite ajustar el compromiso entre velocidad y precisión según el escenario clínico, algo especialmente relevante en radioterapia adaptativa.

La viabilidad de este enfoque coincide con otros trabajos centrados en la aceleración de cálculos Monte Carlo mediante GPU en entornos clínicos reales. En IEEE Transactions on Radiation and Plasma Medical Sciences se han publicado estudios que analizan reducciones de tiempo similares en cálculos complejos de radioterapia, como se recoge en este artículo sobre GPU-accelerated Monte Carlo dose calculation for radiotherapy.

Validación científica e impacto clínico

Desde el punto de vista de la validación, el método fue comparado con simulaciones de referencia generadas con 10⁹ partículas. Los resultados muestran que el uso de deep learning no solo mejora el aspecto visual de las distribuciones de dosis, sino que incrementa métricas clínicas clave empleadas en control de calidad. Esto es especialmente importante para evitar correcciones artificiales que puedan ocultar errores físicos reales.

El estudio completo, con detalles sobre el entrenamiento del modelo, la validación cruzada y el análisis de errores, fue publicado en Nuclear Science and Techniques. En este trabajo se demuestra que el comportamiento del sistema es estable frente a diferentes configuraciones de haz y geometrías de paciente, reforzando su potencial uso clínico.

Reflexiones adicionales

La combinación de simulación Monte Carlo y deep learning no elimina la necesidad de modelos físicos rigurosos, sino que los complementa. Este enfoque híbrido permite aprovechar la precisión del modelado estocástico y la capacidad de generalización de las redes neuronales para reducir tiempos de cálculo sin sacrificar fiabilidad. A medio plazo, este tipo de soluciones podría facilitar la verificación tridimensional de dosis o extenderse a otras localizaciones anatómicas con mayor heterogeneidad tisular.