Sistema de IA mejora precisión en interpretación de resonancias magnéticas cardíacas
Actualizado el 26 Jun 2026
La resonancia magnética (RM) cardíaca es el método de referencia para evaluar la estructura, la función y la salud del tejido cardíaco. Sin embargo, cada examen puede contener cientos o miles de imágenes en múltiples proyecciones y momentos, lo que hace que la interpretación sea muy laboriosa incluso para los especialistas. La demanda de RM cardíaca crece más rápido que la oferta de radiólogos expertos, lo que puede retrasar la elaboración de informes y el acceso a los resultados. Para abordar este problema, los investigadores han desarrollado un sistema de inteligencia artificial que automatiza y estandariza la interpretación de la RMC con mayor precisión.
El sistema, denominado CMR-CLIP, fue creado por la Universidad Carnegie Mellon (Pittsburgh, Pensilvania, EE. UU.) en colaboración con el Centro de Investigación de Innovación Cardiovascular de la Clínica Cleveland (Cleveland, Ohio, EE. UU.). Este sistema conecta "vídeos" de resonancia magnética cardíaca con resolución temporal con informes radiológicos clínicos correspondientes para aprender cómo los médicos describen los hallazgos clave en la práctica. Al alinear las secuencias de imágenes con la sección de impresiones del informe, el modelo aprende directamente de los datos clínicos rutinarios en lugar de depender de conjuntos de datos etiquetados manualmente.
CMR-CLIP representa cada estudio como un conjunto de imágenes en movimiento a través de vistas cardíacas estándar. Procesa la estructura y el movimiento de forma conjunta para reflejar cómo los médicos revisan una tomografía. El modelo se entrenó con más de 13 000 estudios de pacientes anonimizados de la Cleveland Clinic que abarcan más de una década, incorporando más de un millón de imágenes y cientos de miles de secuencias de movimiento. En las pruebas, identificó afecciones cardíacas en un entorno de "aprendizaje inicial", vinculando imágenes con indicaciones descriptivas sin etiquetas específicas de la tarea previa.
En todas las pruebas comparativas, el sistema superó a los modelos de IA de propósito general hasta en un 35 %. Con un solo ejemplo de una afección, a menudo igualó el rendimiento de sistemas que requerían docenas de casos etiquetados. En tareas de diagnóstico especializadas, alcanzó un rendimiento casi clínico, con precisiones de hasta el 99 % para ciertas afecciones. También recuperó casos similares de grandes archivos mediante consultas en lenguaje natural. CMR-CLIP se generalizó a dos conjuntos de datos externos, uno de Francia y otro de la Clínica Cleveland de Florida, lo que indica un rendimiento superior al del sitio de entrenamiento.
El equipo planea extender CMR-CLIP a imágenes de perfusión, imágenes ponderadas en T2 y mapeo paramétrico, así como explorar la generación automatizada de informes y el apoyo interactivo a la toma de decisiones. La investigación se publicó en Nature Communications y el código fuente del modelo está disponible públicamente.
"Este trabajo demuestra que los modelos fundamentales específicos de cada dominio pueden superar significativamente a los sistemas de IA de propósito general en aplicaciones clínicas especializadas", afirmó Ding Zhao, profesor asociado del Departamento de Ingeniería Mecánica de la Universidad Carnegie Mellon y co-investigador principal del estudio. "Al diseñar modelos que reflejen la estructura y la complejidad de los datos de resonancia magnética cardíaca, en lugar de adaptar modelos de imagen genéricos, podemos alcanzar nuevos niveles de rendimiento y utilidad clínica".
“La interpretación de la resonancia magnética cardíaca es altamente especializada y requiere mucho tiempo. Sistemas como CMR-CLIP tienen el potencial de ayudar a los médicos mediante la detección automatizada y el apoyo a la interpretación, especialmente en entornos donde el número de lectores expertos es limitado. Estas herramientas de asistencia al lector son fundamentales para mejorar el acceso de los pacientes a esta potente tecnología de diagnóstico”, afirmó David Chen, Ph.D., de la Clínica Cleveland y coinvestigador principal del proyecto.
Enlaces relacionados
Universidad Carnegie Mellon
Cleveland Clinic
