DeepCAC2: A premier. Lo que aprendimos probándolo con un radiólogo de imagen cardíaca

Existe una forma habitual de presentar un modelo de IA: ejecutarlo, mostrar el resultado y dar por terminado el ejercicio.

Para el simposio de Los Cobos Medical Center (DJ) optamos por un enfoque distinto: someter el modelo a la revisión directa de un radiólogo con experiencia específica en imagen cardíaca y contrastar sus resultados en tiempo real. En un modelo a que aún no ha sido liberado.

Con DeepCAC2 hicimos exactamente eso. No fue una demostración cerrada, sino una sesión de trabajo: el output del modelo en pantalla y la lectura humana en paralelo, comparadas serie por serie.

Una precisión necesaria desde el inicio: los casos utilizados provienen de datasets públicos, no de pacientes de ninguna institución. Esto nos permitió exponer el estudio completo y discutirlo con un nivel de detalle que un caso clínico real rara vez permite en un espacio público, sin comprometer confidencialidad alguna apesar no tener aun acceso al dashboard final.

Qué hicimos, en concreto

El ejercicio se estructuró en tres etapas:

1. Procesamiento con DeepCAC2 sobre el estudio de calcio coronario, generando de forma automatizada el score de Agatston, la agrupación por nivel de riesgo y el detalle de placas individuales por volumen.
2. Lectura independiente del mismo estudio por parte del radiólogo cardíaco, siguiendo el procedimiento estándar: revisión corte por corte, ubicación de calcio por territorio coronario (tronco, descendente anterior, circunfleja, coronaria derecha), en TAC no engatillados.
3. Comparación de ambas lecturas, serie por serie, identificando coincidencias, subestimaciones y errores del modelo.

La tercera etapa concentró el mayor valor del ejercicio.

Cómo funcionó en la práctica

DeepCAC2 no entrega un único valor. Genera una tabla desglosada por serie, con el número de placas identificadas, el volumen individual de cada una, el volumen total y la categoría de riesgo correspondiente — una diferencia sustancial frente al software de calcio convencional, que típicamente reporta solo un Agatston global.

El desglose por serie expone además un problema operativo que la lectura manual suele resolver de forma menos sistemática: no todas las series de un estudio son válidas para el cálculo de calcio. Localizadores, reformateos y capturas de pantalla son identificados por el modelo como series no puntuables y excluidos automáticamente del cálculo, en lugar de introducir ruido en el resultado final. Para cualquier flujo de trabajo que dependa de revisar manualmente qué series son útiles, esto representa una reducción concreta de tiempo.

Qué mostró el feedback del radiólogo

Esta etapa fue la más reveladora.

El radiólogo cardíaco confirmó que el modelo ubicaba correctamente la mayoría de las placas, con tamaño, densidad y clasificación de riesgo consistentes con su propia lectura. También identificó puntos que requieren supervisión activa:

• Calcio de origen no coronario. El modelo, en ausencia de revisión humana, puede sobreestimar el score al incluir calcio valvular (mitral, aórtico), calcio de la pared aórtica o artefactos por movimiento y por material metálico (stents, clips, marcapasos). Hasta esternon!
• Casos límite en placas de tamaño reducido. Cuando una placa se ubica cerca del umbral de detección, el criterio del modelo y el del radiólogo no siempre coinciden.
• Prioridad de la imagen sobre el número. En varios casos, cuando el resultado del modelo no correspondía con lo observado en la imagen, el criterio aplicado fue claro: prevalece la imagen.

Este último punto resume el objetivo del ejercicio: el modelo reduce el trabajo repetitivo y acelera la lectura, pero no sustituye el criterio del radiólogo frente al estudio.

El valor de "Agatston below zero"

El Agatston convencional opera con un umbral fijo, definido en 1990: una placa debe superar 130 unidades Hounsfield y un área mínima de 1 mm² para ser contabilizada. Por debajo de ese umbral, la placa no se incorpora al score, aunque exista y sea visible en la imagen.

Esto no es una hipótesis teórica. Un estudio publicado en 2026 en el American Journal of Preventive Cardiology — que combinó datos de dos cohortes prospectivas de referencia, el Multi-Ethnic Study of Atherosclerosis (MESA) y el Framingham Heart Study — cuantificó exactamente esta brecha. Sobre 3.965 personas con Agatston convencional de 0, un modelo de IA (Agatston-2.0, con puntuación voxel a voxel sin umbral fijo) detectó calcio coronario medible en el 21.7% de ellas — es decir, una de cada cinco personas clasificadas como "sin calcio" en realidad tenía placa presente, solo que por debajo del umbral de detección del score tradicional.

La diferencia no fue solo estadística: fue clínica. A 20 años de seguimiento, quienes tenían ese calcio subumbral detectado por IA presentaron una incidencia de enfermedad coronaria de 7.7%, frente a 3.8% en quienes realmente tenían cero calcio — más del doble. Después de ajustar por los factores de riesgo tradicionales, esa asociación se mantuvo (HR 1.71, IC 95% 1.18–2.47). El mismo grupo con calcio subumbral también mostró casi el doble de riesgo de progresar a un Agatston positivo en el tiempo.

En palabras de los propios autores, esto redefine el "power of zero" — la premisa clínica de que un Agatston de 0 implica riesgo cardiovascular muy bajo. Lo que el estudio muestra es que dentro de ese grupo de "cero" hay en realidad dos poblaciones distintas: una con riesgo verdaderamente bajo, y otra — aproximadamente una de cada cinco — con calcio real que el score tradicional no está viendo.

Esto es, en esencia, lo mismo que DeepCAC2 intenta capturar a nivel de caso individual: placa que el ojo humano y el umbral clásico pueden pasar por alto, cuantificada de forma continua en vez de binaria.

Conclusiones

Lo observado en nuestra sesión de trabajo no es un hallazgo aislado. Es consistente con lo que ya muestra la evidencia publicada más reciente: un estudio de 2026 sobre casi 4.000 personas con Agatston en cero encontró que una de cada cinco en realidad tenía calcio coronario detectable por IA, y que ese subgrupo tuvo más del doble de eventos coronarios a 20 años frente a quienes efectivamente no tenían calcio. La dirección está clara, y ya no descansa solo en la promesa de la tecnología — descansa en resultados de seguimiento a dos décadas, publicados por el mismo equipo que ayudó a crear el score original.

Lo que estamos construyendo con DeepCAC2 es la validación de ese mismo principio en nuestro contexto: con datasets propios, con la supervisión de un radiólogo cardíaco local en cada paso, y con el criterio de no publicar una cifra propia hasta que esté lista para sostenerse. El dashboard de Leonard va a consolidar en números lo que este ejercicio muestra caso por caso — y todo indica que va a confirmar lo que la evidencia internacional ya viene señalando: que el "cero" del Agatston tradicional no siempre significa cero riesgo, y que cuantificarlo mejor cambia decisiones clínicas reales.

Por qué esto importa para TACs no engatillados

Esta es la aplicación con mayor potencial de las que discutimos: el uso de DeepCAC2 sobre tomografías de tórax no engatilladas — es decir, adquiridas sin sincronización ECG, por indicaciones que no tienen relación con estudio coronario.

Se realizan a diario un volumen considerable de TACs de tórax por indicaciones no cardíacas — estudio de nódulo pulmonar, valoración prequirúrgica, tamizaje de cáncer de pulmón. En esos estudios, el corazón y las arterias coronarias están presentes en la imagen, pero no se cuantifican, porque el protocolo no fue solicitado con ese fin.

Un modelo capaz de cuantificar calcio de forma confiable sobre un TAC no engatillado convierte cada uno de esos estudios en una oportunidad de detección oportunista de riesgo cardiovascular — sin adquisición adicional, sin radiación extra y sin depender de que se solicite explícitamente el protocolo de calcio. Es una aplicación en la que el modelo no sustituye un flujo de trabajo existente, sino que extrae valor adicional de uno que ya ocurre de forma rutinaria.

Qué podemos mejorar

El ejercicio también dejó identificadas líneas de trabajo pendientes:

• Validación consolidada aún pendiente. El caso presentado en el simposio fue documentado en profundidad, pero no constituye una validación del desempeño global de DeepCAC2. Esa validación depende del dashboard final que está desarrollando por su autor (LN), y cualquier cifra agregada anterior a esa publicación sería prematura.
• Ampliación del set de casos, con variabilidad de calidad de imagen y niveles de calcificación, más allá de un caso individual bien documentado.
• Automatización de la separación de calcio no coronario, reduciendo la dependencia de la revisión manual para esta tarea.
• Sistematización de casos límite, actualmente resueltos por criterio del radiólogo en la sesión de trabajo, con el objetivo de convertirlos en criterio explícito del modelo.

Lo que estamos llegando con DeepCAC2 es la validación de esa evidencia en nuestro contexto: con datasets propios, con la supervisión de un radiólogo experto (DJ) en imagenes cardíacas enlocal en cada etapa, y con el criterio de no publicar una cifra hasta que esté en condiciones de sostenerse. Esa cifra está en desarrollo: el dashboard de su author (LN) consolidará en números lo que este ejercicio muestra caso por caso.

Cuando ese dashboard esté publicado, antes de finalizar el año (se encuentra en etapa final de correcion editorial) será el primer conjunto de datos consolidado sobre este modelo con este entorno. El caso presentado en Los Cobos Medical Center tiene pontencial de funcionar a escala.

Deepcac2: https://arxiv.org/pdf/2603.24633

mhub: https://mhub.ai/

Los Cobos Medical Center : https://simposio.angaritarad.com/taller

Below zero: https://www.sciencedirect.com/science/article/pii/S2666667726002734