PANTHER, de AIRI, fue el más rápido en FLARE 2026: TC en 11 segundos con 4 GB

Encontrar un tumor en una TC de cualquier órgano en 60 segundos, con solo 4 GB de memoria de vídeo, y sin inventarse una patología donde no la hay. Así era la primera tarea de la competición FLARE 2026, cuyos resultados se anunciaron en la conferencia MICCAI de Estrasburgo. El modelo PANTHER, del equipo de AIRI y surgido de un proyecto de la Escuela de Verano del instituto, mostró la mejor velocidad de todos los participantes. El conjunto de cinco redes neuronales cabe en unos 11 segundos por imagen.

Condiciones estrictas de la tarea

Los organizadores de FLARE montaron un escenario cercano a la clínica real. El modelo debe trabajar con tumores de distintos órganos: hígado, riñones, páncreas, pulmones y ganglios linfáticos. Las imágenes llegan de hospitales de todo el mundo, es decir, con tomógrafos, protocolos de adquisición y calidad diferentes. Es el problema clásico del cambio de dominio: una red entrenada con datos de una clínica suele perder precisión de forma notable con imágenes ajenas.

Hay una segunda trampa. Alrededor de la mitad de los casos en un flujo real corresponde a pacientes sanos, y para ellos la respuesta correcta es que no hay nada. Los modelos entrenados solo con patología tienden a encontrar un tumor en todas partes. En un cribado, eso supone una avalancha de falsos positivos y la pérdida de confianza de los médicos.

Por último, los límites de recursos: 60 segundos por caso y 4 GB de memoria de vídeo. Ese hardware está presente en casi cualquier estación de trabajo, sin necesidad de GPU de servidor caras. No gana la arquitectura más pesada, sino la que es precisa y cabe en el presupuesto.

Qué se sabe de la solución de AIRI

El desglose técnico completo está publicado en Habr; en el anuncio, los autores destacan tres puntos clave. Conviene leerlos como afirmaciones del equipo, no como resultados verificados de forma independiente.

• Origen: el proyecto nació en la Escuela de Verano de AIRI y llegó a competir en un certamen internacional.
• Datos: según los autores, entrenar con la mitad del dataset dio mejor resultado que hacerlo con el conjunto completo. Al parecer, se debe a la selección y el equilibrio de los ejemplos, pero el anuncio no revela los detalles del método.
• El «portero»: el equipo recurrió de nuevo a un componente aparte al que llama «portero» (en ruso, «vyshibala»). Por el contexto, probablemente descarta las imágenes sanas antes de la segmentación pesada, pero su papel exacto se aclara en el texto completo.
• Conjunto: cinco redes neuronales trabajan juntas y tardan unos 11 segundos por imagen, es decir, con un amplio margen respecto al límite de 60 segundos.

Conviene fijarse en cómo se formula el resultado: PANTHER fue la mejor precisamente en velocidad. El anuncio no indica qué puesto ocupó el modelo en calidad de segmentación y detección, y por ahora es pronto para compararlo con los líderes en precisión.

Por qué importa más allá del concurso

La combinación de «filtro rápido más conjunto de modelos» resulta pragmática. Si una parte significativa del flujo es sana, una primera etapa barata ahorra cómputo para el resto de los casos. El margen de tiempo (11 segundos frente a 60) permite añadir etapas pesadas o posprocesamiento sin salirse del límite.

Para hospitales y desarrolladores de software médico, la conclusión práctica es sencilla. Primero, al evaluar modelos de este tipo hay que mirar su comportamiento con imágenes sanas, y no solo los tumores encontrados. Segundo, el límite de 4 GB de VRAM implica que, en teoría, soluciones así pueden ejecutarse en estaciones de trabajo locales, donde los datos no salen del perímetro de la clínica. Tercero, el caso de la mitad del dataset recuerda que la calidad de la selección de datos a veces pesa más que su volumen.

Para AIRI, además, es un ejemplo de cómo un proyecto estudiantil llega al nivel de MICCAI. Falta esperar al análisis completo de la arquitectura y a las métricas públicas para entender hasta qué punto la velocidad de PANTHER se combina con precisión clínica.