La resonancia magnética cerebral es una de las herramientas más potentes de la medicina moderna. Revela cómo se desarrolla el cerebro, detecta afecciones neurológicas de forma temprana y guía decisiones clínicas que marcan la vida de los niños. El problema es que las máquinas capaces de producir escaneos cerebrales de alta calidad son caras, consumen mucha energía y se concentran casi por completo en los países ricos. Un estudio publicado en Scientific Reports por investigadores del King’s College London, la University of Cape Town y el Aga Khan University Hospital en Karachi explora una forma de cambiar esa situación, utilizando el aprendizaje profundo para extraer mucho más valor diagnóstico de los escáneres asequibles que ya existen en entornos con menos recursos.
Por qué la resonancia magnética de ultra bajo campo siempre ha sido un compromiso
La resonancia magnética estándar de alto campo produce imágenes nítidas y detalladas. Los escáneres de resonancia magnética de ultra bajo campo son más baratos y consumen mucha menos energía, lo que los hace viables en países de ingresos bajos y medios donde la infraestructura de alto campo simplemente no está disponible. La desventaja siempre ha sido la calidad de imagen: una menor intensidad de campo significa menor resolución y una relación señal-ruido más débil. Los escáneres resultantes son más difíciles de interpretar y menos útiles para la investigación del neurodesarrollo, que es precisamente el tipo de investigación que más se necesita en las poblaciones a las que sirven estos escáneres.
Una alternativa existente implica adquirir tres escaneos separados del mismo cerebro, cada uno desde una orientación diferente: axial, coronal y sagital. Estos tres escaneos anisotrópicos se pueden combinar mediante un proceso llamado registro multirresolución para reconstruir una imagen de mayor resolución. Funciona, pero requiere tres escaneos de buena calidad, lo cual no siempre se logra en la práctica, particularmente con niños pequeños o en entornos clínicos con mucho movimiento. Otro enfoque entrena modelos de aprendizaje profundo utilizando datos emparejados: conjuntos combinados de escaneos de ultra bajo campo y de alto campo del mismo cerebro. Eso requiere acceso a escáneres de alto campo, lo que anula parte del propósito.
Qué hace realmente el modelo de aprendizaje profundo
Este estudio toma un camino diferente. Los investigadores entrenaron un modelo de aprendizaje profundo para generar reconstrucciones de alta calidad a partir de un único escaneo de entrada de ultra bajo campo, sin necesidad de tres adquisiciones separadas ni de datos emparejados de alto campo para el entrenamiento. Los resultados mostraron una mejora significativa en múltiples medidas: las métricas de calidad de imagen mejoraron, la correlación entre los volúmenes de tejido en los escaneos mejorados y las mediciones de referencia se fortaleció, y la precisión de la segmentación de tejidos, medida mediante puntuaciones de superposición de Dice, aumentó de manera significativa.
Lo que esto significa en la práctica es que un médico o investigador que trabaja con un solo escaneo de ultra bajo campo, tal vez el único escaneo que un niño podía tolerar o que un centro podía producir, ahora puede obtener una imagen de salida que se acerca a la calidad que antes solo se podía lograr mediante el protocolo más exigente de tres escaneos. El tiempo de escaneo disminuye. La barrera para obtener datos utilizables se reduce.
La investigación se llevó a cabo en múltiples centros, incluido el Red Cross War Memorial Children’s Hospital de la University of Cape Town y el Aga Khan University Hospital en Karachi, con el apoyo del proyecto UNITY de la Bill and Melinda Gates Foundation, el programa Wellcome Leap 1kD y el programa DELTAS II Africa Programme. Esa distribución geográfica importa, ya que refleja un intento genuino de desarrollar y validar el enfoque en los entornos donde más se necesita, y no solo en entornos de investigación bien provistos de recursos.
Un hallazgo merece especial atención. Una validación externa exploratoria en el estudio sugiere que el entrenamiento de modelos específico para cada centro puede ser necesario para manejar lo que los investigadores llaman cambios de dominio: variaciones en las características de las imágenes que surgen de diferencias en los equipos, el entorno o los protocolos de escaneo entre ubicaciones. Un modelo entrenado con datos de un centro puede no funcionar igual de bien cuando se aplica a escaneos de un centro diferente. Esto no es un defecto exclusivo de este estudio, sino un desafío conocido en la IA médica en general. Reconocerlo abiertamente e integrar el entrenamiento específico por centro en el flujo de trabajo propuesto refleja una comprensión más realista de cómo se implementarán realmente estas herramientas.
Qué indica esto sobre la IA en la salud global
Esto es lo que la mayor parte de la cobertura sobre la IA en la medicina pasa por alto. La narrativa dominante se centra en la IA superando a los especialistas en hospitales ricos, leyendo escaneos más rápido y detectando lesiones que los radiólogos pasan por alto. Esa es una historia real, pero no es la única. Un desarrollo más silencioso y posiblemente más trascendental es el uso de la IA para hacer que la infraestructura existente y asequible sea más capaz, extendiendo el alcance de las herramientas de diagnóstico a poblaciones que nunca han tenido acceso fiable a ellas.
La neuroimagen pediátrica es un caso específico y urgente. La primera infancia es una ventana crítica para el neurodesarrollo, y la capacidad de estudiar y monitorizar el crecimiento cerebral en países de ingresos bajos y medios se ha visto limitada durante mucho tiempo por el costo y la complejidad de la resonancia magnética de alto campo. Un modelo de aprendizaje profundo capaz de extraer información apta para la investigación a partir de un único escaneo asequible no reemplaza la experiencia clínica. Les da a los médicos y a los investigadores algo más cercano a los datos que necesitan para ejercer esa experiencia de manera eficaz.
Este es también un estudio sobre cómo es la mejora mediante IA cuando el objetivo es la equidad en lugar de la eficiencia. La tecnología no se utiliza para reducir personal ni automatizar decisiones. Se utiliza para cerrar la brecha entre lo que es técnicamente posible y lo que está disponible en la práctica para la mayoría de los niños del mundo.
En resumen
Un equipo de investigación que abarca el Reino Unido, Sudáfrica y Pakistán ha demostrado que un modelo de aprendizaje profundo puede mejorar significativamente la calidad de los escaneos de resonancia magnética cerebral pediátrica producidos por escáneres asequibles de ultra bajo campo, utilizando un solo escaneo como entrada y sin requerir datos emparejados de alto campo para el entrenamiento. Esto reduce el tiempo de escaneo, disminuye las barreras para obtener datos de neuroimagen utilizables y amplía el alcance potencial de la investigación cerebral en los países de ingresos bajos y medios. El entrenamiento de modelos específico para cada centro parece importante para lograr un rendimiento fiable en diferentes entornos de escaneo. La implicación más amplia es que la contribución más significativa de la IA a la salud global tal vez no sea reemplazar a los especialistas, sino hacer que las herramientas que ya existen en entornos desatendidos sean verdaderamente útiles.
Basado en información de Nature: Machine Learning.