Modelos de IA evaluados para detectar lesiones de ictus isquémico en RM de rutina
Actualizado el 20 Sep 2026
La detección rápida del accidente cerebrovascular isquémico en la resonancia magnética cerebral es esencial porque el beneficio del tratamiento disminuye con el tiempo. Muchos centros obtienen primero secuencias FLAIR de resonancia magnética sin contraste porque son rápidas y están ampliamente disponibles en la atención rutinaria. Estas imágenes son difíciles de analizar automáticamente debido a lesiones tenues e irregulares y a la variabilidad de los escáneres.
Un nuevo estudio publicado previamente a la impresión en el Journal of Intelligent Systems in Current Computer Engineering evalúa tres métodos de aprendizaje profundo para mejorar la identificación de lesiones en FLAIR.
La evaluación comparó tres enfoques de aprendizaje profundo: un 3D U-Net convencional, el marco nnU-Net de auto-configuración y un modelo YOLOv8 adaptado y configurado para segmentación 2D. Los investigadores pretendían determinar qué método podía delimitar con mayor precisión las lesiones por accidente cerebrovascular en la resonancia magnética sin contraste en condiciones que reflejan la obtención de imágenes clínicas rutinarias. Para permitir una comparación directa, los tres modelos se implementaron dentro del mismo flujo de entrenamiento y preprocesamiento.
Los modelos se entrenaron y probaron utilizando el banco de pruebas ISLES 2022, que incluye 250 casos de resonancia magnética de accidente cerebrovascular. Se aplicaron procedimientos idénticos de preprocesamiento y evaluación a todos los métodos para minimizar las diferencias metodológicas. El rendimiento de la segmentación se evaluó mediante el coeficiente de similitud Dice y la Intersección sobre Unión, medidas establecidas de solapamiento entre las segmentaciones generadas por el modelo y las anotaciones de expertos.
El nnU-Net de auto-configuración logró el mayor acuerdo promedio con las lesiones marcadas por expertos, con una puntuación Dice de aproximadamente 0,483. El modelo YOLOv8 adaptado tuvo un rendimiento similar, con una puntuación Dice de alrededor de 0,476, mientras procesaba las imágenes considerablemente más rápido que los otros enfoques, lo que sugiere posibles ventajas cuando el rendimiento es importante.
El 3D U-Net ajustado manualmente tuvo un rendimiento global inferior, con una puntuación Dice de aproximadamente 0,294, y puso de relieve su mayor sensibilidad a la selección de parámetros y a la variabilidad en los datos de resonancia magnética multicéntricos.
El análisis de errores mostró que los tres enfoques tuvieron dificultades con lesiones periféricas pequeñas, lesiones difusas de bajo contraste y casos con una alineación espacial imperfecta. Pasos de preprocesamiento como armonizar el espaciado de vóxeles, normalizar la intensidad y entrenar con fragmentos más pequeños de las imágenes mejoraron el comportamiento del modelo.
Los autores recomiendan priorizar marcos de auto-configuración como nnU-Net para lograr robustez cuando la capacidad de cómputo lo permita y considerar arquitecturas ligeras como YOLOv8 cuando la velocidad sea crítica. Subrayan que una validación rigurosa en múltiples sitios, a través de escáneres e instituciones, es esencial antes de su implementación en los flujos de trabajo clínicos.