Sistema de IA detecta cambios sutiles en una serie de imágenes médicas a lo largo del tiempo
Actualizado el 04 Mar 2025
Los métodos tradicionales para analizar conjuntos de datos de imágenes longitudinales suelen requerir una personalización significativa y un preprocesamiento extenso. Por ejemplo, en estudios del cerebro, los investigadores suelen empezar con datos de resonancia magnética cerebral sin procesar, centrándose en un área específica del cerebro, corrigiendo las variaciones en los ángulos de visión, ajustando las discrepancias de tamaño y eliminando los artefactos, antes de continuar con el análisis principal. Ahora, un nuevo sistema impulsado por IA, capaz de detectar eficazmente cambios en imágenes médicas a lo largo del tiempo y predecir resultados, ofrece una mayor sensibilidad y adaptabilidad, lo que lo hace aplicable a una amplia variedad de contextos médicos y científicos.
Este innovador sistema, llamado LILAC (Learning-based Inference of Longitudinal imAge Changes), aprovecha las técnicas de aprendizaje automático y fue desarrollado por investigadores de Weill Cornell Medicine (Nueva York, NY, EUA). En un estudio publicado en Proceedings of the National Academy of Sciences, el equipo demostró cómo LILAC puede analizar diversas series temporales de imágenes, o datos longitudinales, que incluyen el desarrollo de embriones en fertilización in vitro (FIV), la cicatrización de tejidos después de lesiones y el envejecimiento cerebral. Los investigadores descubrieron que LILAC puede detectar incluso diferencias minúsculas entre imágenes tomadas a lo largo del tiempo y predecir resultados relacionados, como puntuaciones cognitivas de exploraciones cerebrales. El sistema está diseñado para funcionar con mucha mayor flexibilidad al manejar automáticamente las correcciones e identificar cambios clave.
En un experimento de prueba de concepto, los investigadores entrenaron a LILAC con cientos de secuencias de imágenes de embriones fertilizados in vitro a medida que se desarrollaban. Luego, el sistema se probó con nuevas secuencias para determinar qué imagen de cada par fue tomada primero, una tarea difícil de realizar sin una señal temporal clara en las imágenes. LILAC completó esta tarea con una precisión de alrededor del 99 %, con solo unos pocos errores en pares de imágenes con intervalos de tiempo cortos. Además, LILAC demostró ser muy eficaz para ordenar imágenes de tejido en curación a partir de las mismas secuencias y detectar diferencias a nivel de grupo en las tasas de curación entre el tejido no tratado y el tejido que se había sometido a un tratamiento experimental.
De manera similar, LILAC fue capaz de predecir los intervalos de tiempo entre exploraciones de resonancia magnética de cerebros de adultos mayores sanos, así como estimar las puntuaciones cognitivas individuales a partir de las resonancias magnéticas de pacientes con deterioro cognitivo leve, con un margen de error significativamente menor en comparación con los métodos convencionales. En todos estos casos, los investigadores demostraron que LILAC podría adaptarse fácilmente para enfatizar las características de imagen más relevantes para detectar cambios en sujetos individuales o distinguir entre grupos, lo que potencialmente ofrece nuevos conocimientos clínicos y científicos. La próxima fase de investigación consistirá en probar LILAC en entornos del mundo real, como la predicción de respuestas al tratamiento a partir de resonancias magnéticas de pacientes con cáncer de próstata.
“Esta nueva herramienta nos permitirá detectar y cuantificar cambios clínicamente relevantes a lo largo del tiempo de maneras que antes no eran posibles, y su flexibilidad significa que se puede aplicar de manera inmediata a prácticamente cualquier conjunto de datos de imágenes longitudinales”, afirmó el autor principal del estudio, el Dr. Mert Sabuncu. “Esperamos que esta herramienta sea útil especialmente en casos en los que no tenemos conocimiento sobre el proceso que se está estudiando y donde hay mucha variabilidad entre individuos”.
