La resonancia magnética prenatal es una de las herramientas de diagnóstico más valiosas de la medicina, y una de las más frustrantes. Cuando una ecografía rutinaria detecta una posible anomalía cerebral en un feto en desarrollo, una resonancia magnética es el siguiente paso lógico. El problema es que los fetos se mueven. Y cuando lo hacen, la exploración se arruina.
Un equipo de investigación de MIT, Boston Children’s Hospital e Inria ha desarrollado un modelo de aprendizaje profundo llamado E(3)-Pose que aborda este problema directamente, no haciendo que la resonancia magnética sea más rápida o más barata en abstracto, sino resolviendo un modo de fallo específico y concreto que durante mucho tiempo ha socavado la precisión diagnóstica en la imagen fetal.
La física de un blanco en movimiento
Para entender por qué la resonancia magnética fetal es tan difícil, ayuda entender cómo funciona la toma de imágenes. Una resonancia del cerebro fetal no es una única fotografía. Es una pila de cortes de imágenes bidimensionales que, al ensamblarse, forman una imagen volumétrica tridimensional del cerebro. La calidad de esa imagen depende por completo de que cada corte se tome desde un ángulo constante y predecible.
Cuando el feto se mueve, esa consistencia se desmorona. Cada corte puede capturarse desde una orientación diferente, dejando huecos en la cobertura y ángulos desalineados en la imagen final. Como explica la primera autora, Ramya Muthukrishnan, estudiante de doctorado en MIT: los cortes terminan “por todas partes”. El radiólogo que revisa la exploración trabaja entonces con una imagen incompleta, literalmente. Los detalles estructurales finos que indicarían un desarrollo cerebral anormal se vuelven invisibles o ambiguos. El resultado son diagnósticos erróneos y diagnósticos pasados por alto.
Esto es lo que la mayor parte de la cobertura sobre la IA en la medicina pasa por alto. El reto no es que la IA necesite ser más inteligente en algún sentido general. Es que un problema físico muy específico, el movimiento fetal durante la adquisición de imágenes, ha estado degradando la fiabilidad del diagnóstico durante años, y la solución requiere entender la física de ese problema, no solo entrenar un modelo con grandes conjuntos de datos.
La simetría como decisión de diseño
Lo que distingue a E(3)-Pose de un enfoque de aprendizaje profundo convencional es dónde reside la física en el modelo. En lugar de alimentar al modelo con datos y esperar que aprenda los principios físicos por sí mismo, los investigadores integraron esos principios directamente en la arquitectura de la red neuronal. En concreto, la simetría izquierda-derecha de la cabeza del fetal está integrada en la estructura del modelo. Esto hace que sea significativamente más fácil para el sistema determinar la orientación del cerebro con precisión, incluso cuando el feto está en movimiento.
Esta filosofía de diseño, codificar restricciones físicas conocidas en el modelo en lugar de dejar que se infieran a partir de datos, es lo que la supervisora de Muthukrishnan, la profesora Polina Golland, describe como combinar “conceptos geométricos como la equivariancia y la simetría con el poder del aprendizaje profundo”. El resultado es un modelo que rastrea la posición de la cabeza del feto de manera más fiable porque no está adivinando la simetría a partir de ejemplos. Ya la conoce.
El proceso de desarrollo no fue sencillo. Muthukrishnan llegó al proyecto con experiencia en ciencias de la computación, no en física de resonancia magnética. Implementar el modelo en el hardware real del escáner, en lugar de ejecutarlo con datos en un entorno informático, demostró ser un reto completamente diferente. Bloqueó repetidamente el escáner durante las pruebas. El coautor Borjan Gagoski, profesor asistente de radiología en Harvard Medical School e investigador en Boston Children’s Hospital, ayudó a solucionar esos fallos y desarrolló secuencias adicionales de adquisición de resonancia magnética para apoyar el entrenamiento del modelo. La asistente de investigación Aryn Lee en Boston Children’s reclutó a las voluntarias embarazadas y gestionó la adquisición de las exploraciones.
La motivación clínica detrás del trabajo es directa. Muthukrishnan recuerda haber observado una sesión de resonancia magnética fetal en Boston Children’s Hospital al principio de su doctorado, donde una paciente embarazada pasó una hora en el escáner solo para interrumpir la exploración a mitad de camino debido a la incomodidad, dejando al radiólogo sin una imagen utilizable. Esa experiencia, ha dicho, ayudó a definir la dirección de su investigación. La frustración fue compartida, y la brecha entre lo que la tecnología podía ofrecer teóricamente y lo que realmente entregaba en la práctica era visible.
Por qué esto importa más allá de la clínica
Las implicaciones de E(3)-Pose se extienden en dos direcciones. La primera es clínica e inmediata. Ellen Grant, quien dirige el Fetal Neonatal Neuroimaging and Developmental Science Center en Boston Children’s Hospital, ha señalado que el trabajo podría automatizar la resonancia magnética del cerebro fetal, reemplazando un proceso lento y manual por exploraciones más rápidas y cómodas y con imágenes de mayor calidad para los radiólogos. El modelo actual está entrenado principalmente con fetos del tercer trimestre. El siguiente objetivo declarado de Muthukrishnan es extenderlo a las imágenes del segundo trimestre, donde hay más en juego: los fetos más jóvenes se mueven más, son más pequeños y son más difíciles de escanear, pero la detección más temprana de anomalías cerebrales crea más opciones de intervención.
La segunda dirección es más amplia. El mismo enfoque arquitectónico, redes neuronales informadas por la física que codifican restricciones geométricas conocidas, tiene aplicaciones potenciales en la imagen de otras anatomías difíciles y en campos como la conducción autónoma, donde los sensores deben rastrear objetos tridimensionales a través de datos ruidosos e incompletos.
Esto es lo que indica sobre el desarrollo de la IA de manera más general: los avances más duraderos a menudo no provienen de escalar los modelos, sino de integrar el conocimiento del dominio en sus cimientos. Un modelo que entiende la simetría porque la simetría es parte de su estructura superará a uno que tiene que aprenderla a partir de ejemplos, especialmente cuando los ejemplos son limitados, como inevitablemente ocurre en la imagen médica especializada.
En resumen
E(3)-Pose es un modelo de aprendizaje profundo diseñado para rastrear el movimiento de la cabeza del fetal durante las exploraciones de resonancia magnética, permitiendo obtener imágenes más claras y completas del cerebro en desarrollo. Su innovación clave es arquitectónica: los principios físicos, específicamente la simetría izquierda-derecha de la cabeza del fetal, están integrados directamente en el modelo en lugar de ser aprendidos a partir de datos. Desarrollado por investigadores de MIT, Boston Children’s Hospital e Inria, el sistema aborda un problema de diagnóstico concreto que durante mucho tiempo ha provocado diagnósticos prenatales erróneos y pasados por alto. La lección más amplia es que codificar lo que ya se sabe sobre el mundo físico en los sistemas de IA puede producir herramientas más fiables que el entrenamiento por sí solo.
Basado en información de MIT News AI.