{"id":48208,"date":"2025-02-04T20:59:13","date_gmt":"2025-02-04T20:59:13","guid":{"rendered":"https:\/\/enfoquenoticioso.com\/tecnologia\/quibim-es-la-nueva-empresa-estrella-del-mundo-de-la-ia-aplicada-al-diagnostico-medico-y-es-de-valencia\/"},"modified":"2025-02-04T20:59:13","modified_gmt":"2025-02-04T20:59:13","slug":"quibim-es-la-nueva-empresa-estrella-del-mundo-de-la-ia-aplicada-al-diagnostico-medico-y-es-de-valencia","status":"publish","type":"post","link":"https:\/\/enfoquenoticioso.com\/?p=48208","title":{"rendered":"Quibim es la nueva empresa estrella del mundo de la IA aplicada al diagn\u00f3stico m\u00e9dico. Y es de Valencia"},"content":{"rendered":"
\n

La startup valenciana Quibim<\/a> lleva a\u00f1os trabajando en el an\u00e1lisis y diagn\u00f3stico m\u00e9dico basado en inteligencia artificial. Esta empresa anunci\u00f3 recientemente<\/a> una ronda de inversi\u00f3n de 50 millones de d\u00f3lares, una cifra notable que permitir\u00e1 impulsar la expansi\u00f3n de su l\u00ednea de productos, el desarrollo de sus modelos de IA m\u00e9dica y su expansi\u00f3n global.<\/p>\n

<\/p>\n

En Xataka hemos podido hablar con su fundador, \u00c1ngel Alberich-Bayarri <\/strong>(@aalberich<\/a>), que nos ha hablado de c\u00f3mo surgi\u00f3 la empresa y, lo m\u00e1s interesante, c\u00f3mo la inteligencia artificial est\u00e1 revolucionando el diagn\u00f3stico m\u00e9dico.<\/p>\n

<\/p>\n

Alberich-Bayarri es de Benicarl\u00f3, una localidad costera situada al norte de la Comunidad Valenciana. Estudi\u00f3 Ingener\u00eda de Telecomunicaciones en Valencia, y durante sus estudios se interes\u00f3 por la visi\u00f3n por computador y el an\u00e1lisis de imagen, pero se centr\u00f3 en un \u00e1rea espec\u00edfica: la imagen m\u00e9dica.<\/p>\n

<\/p>\n

\n
\n \"Angel2\"\/
\n \"Angel2\"<\/p><\/div>\n<\/div>\n

Aquello cambiar\u00eda su vida. Aunque trabaj\u00f3 para otras instituciones durante un tiempo, a\u00f1os m\u00e1s tarde decidi\u00f3 que quer\u00eda emprender. Acab\u00f3 fundando Quibim<\/a> con el m\u00e9dico Luis Marti-Bonmati, l\u00edder de opini\u00f3n en radiolog\u00eda en nuestro pa\u00eds, aunque este \u00faltimo acab\u00f3 deslig\u00e1ndose de la empresa.<\/p>\n

<\/p>\n

Durante esos primeros a\u00f1os hubo un foco fuerte en investigaci\u00f3n y tambi\u00e9n en algo que como \u00e9l dice para \u00e9l fue un aprendizaje: \u00abtransicionar de investigaci\u00f3n a producto<\/strong>\u00ab. \u00c9l hab\u00eda publicado mucho sobre algoritmos aplicados al an\u00e1lisis de imagen, pero llevar esos descubrimientos a algo real es complicado, sobre todo en una industria m\u00e9dica en la que los est\u00e1ndares y la documentaci\u00f3n son muy exigentes.<\/p>\n

<\/p>\n

Aun as\u00ed, Alberich ten\u00eda una ventaja importante. Ya en 2014 se dio cuenta de que aplicar aprendizaje profundo (Deep Learning, DL) a temas de detecci\u00f3n de lesiones \u00abdaba mucha ventaja frente a los algoritmos tradicionales, viv\u00ed claramente ese cambio que planteaban las redes neuronales convolucionales\u00bb.<\/p>\n

<\/p>\n

Para el aquello fue un punto de inflexi\u00f3n. \u00abDe repente pod\u00eda automatizar al 100% el proceso para un gran n\u00famero de pacientes<\/strong>. Antes ten\u00eda que ir optimizando por grupos de pacientes, pero con con DL pod\u00eda crear algo muy generalizable\u00bb.<\/p>\n

<\/p>\n

Eso s\u00ed: hab\u00eda que convertirlo en producto. \u00abPrimero quise crear una plataforma gen\u00e9rica para leer y analizar distintos tipos de im\u00e1genes para neurolog\u00eda, h\u00edgado pr\u00f3stata, mama, etc\u00bb, y aunque consigui\u00f3 el marcado CE de \u00abConformidad Europea\u00bb, se encontr\u00f3 con un gran problema y una revelaci\u00f3n al llevarlo a EEUU: all\u00ed no iban a certificar algo gen\u00e9rico, sino que se enfocar\u00edan a enfermedades concretas.<\/p>\n

<\/p>\n

\n
\n \"Qp
\n \"Qp<\/p><\/div>\n<\/div>\n

Fue as\u00ed como naci\u00f3 uno de los actuales productos estrella de Quibim, llamado QP-Insights<\/a>. Esta es la plataforma de gesti\u00f3n, almacenamiento y an\u00e1lisis de im\u00e1genes m\u00e9dicas para estudios cl\u00ednicos. Con dicha herramienta, nos explica, es posible hacer \u00abminer\u00eda de im\u00e1genes. Con ella es posible realizar b\u00fasquedas entre un gran n\u00famero de pacientes de forma que se ajusten a ciertas afecciones, algo que para la industria farmacol\u00f3gica es muy interesante\u00bb.<\/p>\n

<\/p>\n

\n
\n

\u00abLa resonancia de pr\u00f3stata, que se realiza en apenas 10 minutos, se va a convertir en una prueba diagn\u00f3stica como la mamograf\u00eda\u00bb<\/p>\n<\/p><\/div>\n<\/div>\n

La empresa comenz\u00f3 a desarrollar otros productos especializados como QP-Brain para estudios neurol\u00f3gicos, QP-Liver para el diagn\u00f3stico de enfermedades de h\u00edgado y sobre todo QP-Prostate, que es su producto m\u00e1s destacado y que hace uso de sistemas de IA para la segmentaci\u00f3n autom\u00e1tica y la detecci\u00f3n de enfermedades de pr\u00f3stata como el c\u00e1ncer de pr\u00f3stata.<\/p>\n

<\/p>\n

Para este experto, este tipo de herramientas van a ser una ayuda crucial en el diagn\u00f3stico m\u00e9dico. Es lo que plantea con QP-Prostate: \u00abLa resonancia de pr\u00f3stata, que se realiza en apenas 10 minutos, se va a convertir en una prueba diagn\u00f3stica como la mamograf\u00eda<\/strong>, y con IA se puede detectar aquello que el ojo humano no ve\u00bb.<\/p>\n

<\/p>\n

\n
\n
\n \"Prostata\"\/
\n \"Prostata\"<\/p>\n

Un ejemplo de informe de un an\u00e1lisis de una pr\u00f3stata a trav\u00e9s de la herramietna QP-Prostate<\/span>\n <\/div>\n<\/p><\/div>\n<\/div>\n

El modelo de QP-Prostate \u00abha sido entrenado con datos de biopsias\u00bb. As\u00ed, no solo cuentan con datos provenientes de resonancias o con el apoyo del etiquetado de im\u00e1genes por parte de radi\u00f3logos. Gracias a ello el algoritmo, destaca, \u00abha aprendido a diagnosticar como un radi\u00f3logo, y dado que el ojo tiene mucha variabilidad, [los expertos m\u00e9dicos] necesitan un apoyo\u00bb.<\/p>\n

<\/p>\n

\n
\n

\u00abHab\u00eda lesiones que [los expertos m\u00e9dicos] no alcanzaban a detectar, y con estas herramientas s\u00ed llegan\u00bb<\/p>\n<\/p><\/div>\n<\/div>\n

Para Alberich eso es crucial, porque toda esa informaci\u00f3n acumulada permite aportar \u00abun valor muy diferencial al radi\u00f3logo\u00bb. De hecho, explica, si el experto ve \u00abuna imagen limpia y con valor predictivo negativo, le da mucha calma: si Quibim me dice que no hay lesi\u00f3n es que no la hay\u00bb.<\/p>\n

<\/p>\n

Este tipo de herramientas de IA plantean as\u00ed una mejora notable en el diagn\u00f3stico, porque hasta ahora \u00abhab\u00eda lesiones que [los expertos m\u00e9dicos] no alcanzaban a detectar, y con esto s\u00ed llegan\u00bb.<\/p>\n

<\/p>\n

\u00bfHay posibilidades de falsos positivos? Seg\u00fan Alberich \u00abAl entrenar el modelo con datos de biopsias, se tiene una alta sensibilidad y poco falso positivo\u00bb.<\/p>\n

<\/p>\n

\n
\n

Tabla de Contenido<\/p>\nToggle<\/span><\/path><\/svg><\/svg><\/span><\/span><\/span><\/a><\/span><\/div>\n