Un enfoque de IA mejora detección de lesiones cerebrales por RM en epilepsia y esclerosis múltiple

La epilepsia resistente a los fármacos puede requerir una localización precisa de la lesión antes de la cirugía, pero algunos pacientes afectados tienen exploraciones de RM cerebral que parecen negativas para los médicos. La esclerosis múltiple también depende del seguimiento mediante RM porque nuevos focos de la enfermedad pueden orientar la planificación del tratamiento.

Las anomalías pequeñas o atípicas pueden pasar desapercibidas para los modelos de visión por computadora existentes, lo que limita su utilidad en radiología diagnóstica. Ahora, los investigadores han desarrollado un enfoque de IA que mejora la detección de signos sutiles de epilepsia y esclerosis múltiple en la RM cerebral.

La tecnología, BioGuide, fue desarrollada por investigadores del Laboratorio conjunto de IA con base biomédica de Skoltech y la Universidad de Sharjah, junto con colegas. Está diseñada para mejorar el análisis automatizado de imágenes médicas haciendo que las redes neuronales atiendan a características biomédicas reconocidas por los médicos. El enfoque también aprovecha la capacidad del modelo para detectar detalles sutiles de la imagen que pueden no ser visibles para el ojo humano.

BioGuide complementa la segmentación estándar con un procedimiento de clasificación auxiliar. En lugar de limitarse a separar el tejido sano del tejido patológico, el modelo también categoriza las regiones anómalas sospechosas según características como la localización cerebral y las características del borde de la lesión. Este paso adicional de clasificación orienta al sistema hacia características clínicamente significativas y mejora la calidad de la segmentación.

El enfoque se probó con datos clínicos de ambas enfermedades. La detección de áreas patológicas aumentó un 2% en las exploraciones de RM que mostraban signos de esclerosis múltiple. En las exploraciones que mostraban signos de epilepsia, el rendimiento aumentó en 8 puntos porcentuales, del 72% al 80%, y el modelo igualó el rendimiento previo con un 30% menos de datos de entrenamiento.

El estudio, titulado “BioGuide: Biomedically-Guided Segmentation for Medical Tasks”, se publicó en las actas de la 29.ª Conferencia Internacional sobre Computación de Imágenes Médicas e Intervención Asistida por Computadora, celebrada en Estrasburgo, Francia, del 27 de septiembre al 1 de octubre de 2026. Los hallazgos apuntan hacia resultados de visión por computadora más interpretables para la radiología. Las futuras versiones podrían acompañar los resultados de detección con comentarios explicativos para los médicos.

Enlaces relacionados
MICCAI
Skoltech 
Universidad de Sharjah