Una IA predice la edad cerebral, la supervivencia al cáncer y otras señales de enfermedades

La inteligencia artificial se ha convertido en una presencia cada vez más habitual en los hospitales en general y, principalmente, en las áreas de radiología. Y no es extraño: alimentados con millones de datos, los algoritmos pueden identificar "una pieza de puzle" incorrecta en segundos y alertar sobre ella. En algunos contextos muy concretos, estas herramientas igualan o superan la precisión diagnóstica humana, sobre todo cuando se trata de identificar señales débiles y distribuidas por todo el cerebro, invisibles en una lectura tradicional centrada en lesiones concretas.

Esto tiene varias ventajas según muestran los estudios: acelera los diagnósticos, sugiere tratamientos y reduce la carga de los responsables de análisis. En oncología, esta rapidez abre además la puerta a algo especialmente valioso: predecir la evolución de un tumor o la supervivencia del paciente a partir de una resonancia inicial, antes incluso de que el tratamiento haya comenzado.

Pero (siempre hay un condicional cuando hablamos de una IA en medicina), al igual que no es extraño, sí hay que señalar que es polémico. Uno de los grandes problemas de la IA médica es su dependencia de los datos con los que se entrena. Muchos algoritmos funcionan de forma excelente en los hospitales donde se desarrollaron, pero pierden precisión cuando se aplican en otros centros, con escáneres distintos o poblaciones diferentes.

Este fenómeno, conocido como falta de generalización, ha sido señalado en diferentes estudios y plantea un riesgo real de sesgos diagnósticos. A ello se suma la opacidad de muchos modelos: aunque predigan bien, no siempre es fácil explicar qué rasgos de la imagen han utilizado para llegar a una conclusión, un conflicto directo con la necesidad clínica y ética de justificar decisiones médicas. Y, finalmente, está el problema de los algoritmos o cómo aprende una IA: sus conclusiones pueden ser acertadas, pero solo identifica lo que ha aprendido. En otras palabras, si no está en "su manual", no existe y esto hace que diagnósticos que resultarían obvios para los profesionales, no los señala una IA.

Es en este equilibrio entre promesa y limitación donde se sitúa el nuevo modelo BrainIAC, desarrollado por científicos de Mass General Brigham y presentado en Nature Neuroscience. Se trata de un sistema capaz de analizar conjuntos de datos de resonancia magnética cerebral para realizar numerosas tareas médicas, como identificar la edad cerebral, predecir el riesgo de demencia, detectar mutaciones en tumores cerebrales y predecir la supervivencia al cáncer cerebral.

"BrainIAC tiene el potencial de acelerar el descubrimiento de biomarcadores, mejorar las herramientas de diagnóstico y acelerar la adopción de la IA en la práctica clínica – explica el líder del estudio, Benjamin Kann -. La integración de BrainIAC en los protocolos de imagen podría ayudar a los médicos a personalizar y mejorar la atención al paciente".

Pero el camino no ha sido fácil. A pesar de los recientes avances en los enfoques de IA médica, existe una escasez de modelos disponibles públicamente que se centren en el análisis amplio de resonancia magnética cerebral.

Para resolver estas limitaciones, el equipo de Kann diseñó a BrainIAC mediante un método llamado aprendizaje autosupervisado para identificar características inherentes de conjuntos de datos sin etiquetar, que luego se pueden adaptar a una variedad de aplicaciones.

También conocido como self-supervised learning, el aprendizaje autosupervisado es una forma de entrenar una inteligencia artificial sin decirle explícitamente qué está viendo. En lugar de alimentarla con miles de imágenes ya etiquetadas por humanos ("esto es un tumor", "esto es un cerebro sano"), el sistema aprende por sí mismo a partir de los propios datos, planteándose tareas internas. Por ejemplo, puede ocultar partes de una imagen y entrenarse para reconstruirlas, o aprender a reconocer dos fragmentos que pertenecen al mismo escáner. Al intentar resolver esos pequeños "acertijos", la IA descubre patrones fundamentales de la información (formas, texturas, relaciones espaciales) sin intervención humana directa. Una vez que haya aprendido ese lenguaje básico de las imágenes, puede adaptarse con mucha menos información adicional a tareas concretas, como predecir la edad cerebral o detectar una mutación tumoral.

El equipo de Kann entrenó a BrainIAC con 48.965 resonancias magnéticas cerebrales en siete tareas distintas de diversa complejidad clínica. Los resultados mostraron que la IA podía señalar las imágenes sanas y las anormales y posteriormente aplicar este conocimiento a tareas relativamente sencillas, como clasificar tipos de exploraciones por resonancia magnética, como a tareas muy desafiantes, como señalar tipos de mutaciones de tumores cerebrales.

El estudio destaca que BrainIAC fue especialmente eficaz en la predicción de resultados cuando los datos de entrenamiento eran escasos o la complejidad de la tarea era alta, lo que sugiere que el modelo podría adaptarse bien a entornos reales donde los conjuntos de datos no siempre están disponibles. Pese a ello, los autores también apuntan a que se necesitan más estudios para probar este marco con otros métodos de imágenes cerebrales y conjuntos de datos más amplios. Pero sin duda constituye un paso interesante en el uso de la IA, no por los resultados, sino por el reconocimiento de sus limitaciones.

Día Mundial contra el Cáncer: así está transformando la IA la investigación oncológica