La inteligencia artificial se mete en el cerebro

¿Qué es lo único, en todo el universo, que se ha puesto nombre a sí mismo? La respuesta corta es el cerebro. Pero a este acertijo también le podríamos sumar una nueva tesis: ¿qué es lo único que se puede dar miedo a sí mismo? Antes la respuesta era idéntica a la anterior. Ahora hay que sumarle otra: la inteligencia artificial. Esta herramienta es una oportunidad para lo bueno y lo malo. En la cara de la moneda negativa tenemos un cómplice de técnicas de ciberdelincuencia, una antena para noticias falsas y bots y un futuro sin creatividad humana, entre otras. Pero lo positivo da pelea, afortunadamente.

Dos estudios recientes muestran cómo esta tecnología está transformando el análisis de imágenes del cerebro: desde diagnósticos casi instantáneos hasta predicciones de evolución de enfermedades complejas sin necesidad de grandes bases de datos ya procesadas. Estos avances podrían cambiar la manera en que los médicos ven, interpretan y tratan las enfermedades cerebrales, reduciendo tiempos, aumentando precisión y, sobre todo, ofreciendo una ventana nueva a señales que antes permanecían ocultas.

Uno de los mayores desafíos en Neurología es la urgencia diagnóstica. Ante una sospecha de ictus, hemorragia cerebral o, incluso, esclerosis múltiple, cada minuto cuenta. Lo habitual es que un radiólogo necesite horas o días para revisar una resonancia magnética (MRI por su siglas en inglés), interpretar sus miles de secuencias y ofrecer un diagnóstico correcto. En muchas regiones del mundo, la escasez de estos especialistas hace que estos plazos sean todavía mayores.

Para dar una respuesta a esta situación, un equipo de científicos de la Universidad de Michigan, liderados por Todd Hollon, ha desarrollado un modelo de IA llamado Prima, diseñado para leer y diagnosticar una resonancia magnética cerebral en cuestión de segundos. El estudio, publicado en «Nature Biomedical Engineering», se basó en analizar más de 200.000 imágenes de resonancias y 5,6 millones de secuencias recolectadas a lo largo de décadas para entrenar un sistema capaz de integrar no solo las imágenes, sino también los antecedentes clínicos del paciente y el motivo por el que se solicitó la prueba.

La precisión

«La precisión es primordial al leer una MRI, pero los tiempos de respuesta rápidos son críticos para un diagnóstico oportuno y mejores resultados – señala Hollon –. Nuestra tecnología tiene el potencial de reducir la carga de trabajo y mejorar el acceso a diagnósticos en áreas con pocos especialistas».

El sistema Prima puede manejar más de 50 tipos de diagnósticos neurológicos, desde ictus y aneurismas hasta tumores cerebrales e, incluso, alertar automáticamente a los profesionales adecuados cuando detecta condiciones que requieren atención inmediata. Esto significa que, cuando un paciente ingresa con síntomas alarmantes, la IA puede señalar de forma casi instantánea dónde está el problema y qué tipo de especialista debe intervenir primero.

Este desarrollo no solo promete ahorrar tiempo crítico, sino también reducir errores humanos asociados al cansancio o cargas de trabajo elevadas. Una lectura rápida y fiable de la imagen puede significar la diferencia entre un tratamiento temprano o una secuela irreversible. Además, al incorporar datos clínicos junto con las imágenes, Prima se acerca al enfoque que un radiólogo humano podría tener, pero con la velocidad y consistencia que solo una IA puede ofrecer. ¿Datos? Ha obtenido casi un 98% de precisión en el diagnóstico de las imágenes. Pero velocidad y precisión no es todo. Se necesita algo más.

Mientras que Prima sobresale en ambas, el segundo estudio va más allá: se trata de un enfoque más profundo que no solo identifica enfermedades, sino que extrae señales que hablan del estado general del cerebro, como la edad cerebral o la probabilidad de supervivencia al cáncer, incluso cuando no se le dice a la IA que busque células malignas.

Este modelo, llamado BrainIAC, fue desarrollado por científicos del programa de Inteligencia Artificial en Medicina de Mass General Brigham y sus hallazgos se han publicado en «Nature Neuroscience». Lo más singular de BrainIAC es que utiliza un método llamado aprendizaje autosupervisado («self-supervised learning») para aprender sin necesidad de conjuntos de datos etiquetados, que suelen ser costosos y escasos.

Este sistema funciona del siguiente modo: en lugar de entrenarlo mostrándole «esto es tumor, esto no lo es», BrainIAC se entrena a sí mismo mediante tareas internas. Por ejemplo, reconstruye partes ocultas de una imagen o reconoce similitudes entre fragmentos provenientes del mismo escáner. Así, aprende estructuras intrínsecas de los datos que después puede aplicar a tareas clínicas reales.

Versatilidad

«BrainIAC tiene el potencial de acelerar el descubrimiento de biomarcadores, mejorar las herramientas de diagnóstico y acelerar la adopción de la IA en la práctica clínica –afirma Benjamin Kann, líder del estudio–. Integrar BrainIAC en los protocolos de imagen podría ayudar a los médicos a personalizar y mejorar la atención al paciente».

Lo que BrainIAC puede hacer es impresionante. Tras entrenarse con casi 49.000 resonancias magnéticas diversas en siete tareas clínicas de distinta complejidad, el modelo fue capaz de generalizar sus aprendizajes incluso en imágenes sanas y anormales. Gracias a ello, pudo identificar mutaciones tumorales específicas, estimar la edad cerebral (que puede diferir de la edad cronológica de una persona y estar relacionada con riesgos de enfermedades) y predecir la probabilidad de supervivencia al cáncer cerebral.

Entre todo esto, lo que más destaca de BrainIAC es su versatilidad: no solo puede aprender a partir de fragmentos de conocimientos, sino que sus algoritmos pueden aplicarse eventualmente a otros órganos y enfermedades, a bacterias y virus, para saber cómo nos afectan, su diagnóstico y su pronóstico.

Es importante destacar que la IA no es lo único en lo que coinciden ambos estudios. Tanto el equipo de Kann como el de Hollon destacan que el elemento humano es imprescindible. «El futuro de esta tecnología radica en la forma de entrenar a radiólogos, no de reemplazarlos, aportando rapidez y consistencia en un momento en que los sistemas sanitarios están bajo presión por la creciente demanda», dice Hollon– .

Ambos avances también subrayan que la IA no es una panacea sin desafíos éticos y prácticos.

La generalización de modelos, la transparencia de sus decisiones y el modo en que se integran en la práctica médica diaria son cuestiones esenciales que los científicos y profesionales clínicos deben resolver con cuidado y rigor.

Y es que, la precisión (la humana y la de la inteligencia artificial), no alcanza el 100% nunca… aunque puede rozar ese umbral si ambos colaboran.

¿El mayor desafío? Confiar en una herramienta que parece saberlo todo, que nos puede convencer de ello, pero que nunca ha tocado una piel, nunca ha visto latir un corazón y su único vinculo con un cerebro es un algoritmo.