Investigadores de UCLA han creado SLIViT, un marco de aprendizaje profundo que analiza imágenes médicas volumétricas con precisión equivalente a la de especialistas clínicos. El sistema reduce el tiempo de interpretación en un factor de 5.000 y funciona con conjuntos de datos de tamaño moderado. Se ha probado en tomografías de coherencia óptica para biomarcadores retinianos, ecografías para función cardíaca, resonancias magnéticas para gravedad de enfermedad hepática y tomografías computarizadas para malignidad de nódulos pulmonares. A diferencia de modelos específicos de modalidad, SLIViT aprovecha conocimiento previo de imágenes 2D para superar limitaciones de entrenamiento en datos 3D. El trabajo, publicado en Nature Biomedical Engineering, demuestra aplicabilidad clínica amplia y potencial para acelerar investigación médica al reducir costes de anotación.
Funcionamiento técnico de SLIViT
SLIViT combina dos componentes de inteligencia artificial y un enfoque de aprendizaje que permite predecir factores de riesgo de enfermedad a partir de escáneres volumétricos. Utiliza preentrenamiento en el dominio 2D más accesible para superar el cuello de botella del tamaño de datasets de entrenamiento. Según los autores, el modelo logra mejor rendimiento que modelos específicos de dominio y mantiene robustez con datos clínicos no perfectamente ordenados. En pruebas con datasets de cientos de muestras, alcanza niveles comparables a especialistas, una ventaja clave frente a métodos 3D estándar que requieren miles de ejemplos. El marco es genérico y adaptable a distintas modalidades sin necesidad de grandes recursos de anotación por parte de expertos.
Resultados en diferentes modalidades de imagen
Las evaluaciones incluyen escáneres OCT de retina para biomarcadores de riesgo, vídeos de ecografía para función cardíaca, RM 3D para valoración de hígado y TC 3D para cribado de nódulos pulmonares. En todos los casos, SLIViT iguala la precisión de expertos mientras reduce drásticamente el tiempo de análisis. Investigadores destacan que funciona con datasets pequeños, lo que resulta práctico en entornos clínicos donde la obtención de grandes volúmenes de datos etiquetados es costosa. El modelo mantiene rendimiento estable incluso cuando los datos presentan variabilidad real, característica que lo diferencia de enfoques más rígidos.
Implicaciones para la práctica clínica e investigación
La capacidad de SLIViT para automatizar anotaciones puede mejorar la eficiencia diagnóstica y la oportunidad de los resultados para pacientes y clínicos. Además, reduce costes y duración de la adquisición de datos en investigación biomédica. Los autores planean ampliar estudios a más modalidades y explorar su uso en pronóstico predictivo de enfermedades para diagnóstico precoz. También investigan formas de mitigar sesgos sistemáticos que podrían afectar equidad en salud. El trabajo cuenta con financiación de los Institutos Nacionales de Salud de Estados Unidos y se realizó con datos del UK Biobank.
SLIViT representa un avance en modelos de IA para imagen médica volumétrica al ofrecer flexibilidad multimodal y rendimiento con recursos limitados. Su publicación en Nature Biomedical Engineering avala el rigor del desarrollo y abre vías para integración futura en flujos de trabajo clínicos y de investigación.
Más de esta categoría