Inteligencia artificial etiqueta arterias del cerebro con precisión similar a un experto humano
Estudio muestra que no hay diferencias significativas entre etiquetado automático y manual de las arterias intracraneales, ambos métodos obtienen resultados equivalentes, pero además el primero puede proporcionar medidas de incertidumbre para generar alertas si la red está procesando un dato con ambigüedades anatómicas.
El etiquetado anatómico de las arterias intracraneales es fundamental para el diagnóstico cerebrovascular y el análisis hemodinámico. Un proceso que consume mucho tiempo y que es propenso a la variabilidad entre operadores, señala un estudio recientemente publicado en BMC Medical Imaging.
El tiempo de procesamiento puede tomar de 30 minutos a 1 hora por paciente, dependiendo de la complejidad de la red de los vasos. “Como cada persona es diferente, la definición de donde empieza y termina cada segmento puede ser difícil de aplicar a todos los casos” señala Javier Bisbal, estudiante de doctorado IHEALTH y autor principal del paper.
Si bien existen soluciones automatizadas, su adopción clínica está limitada por la falta de medidas de confianza, “los métodos actuales solo entregan los resultados de las etiquetas, sin otras métricas que ayuden a entender cómo funciona el proceso, generando una especie de caja negra” como analiza Javier Bisbal.
Por eso el estudio implementa medidas de incertidumbre que, como señala el investigador, “ayudan a superar esta barrera, con instrumentos visuales para entender en que zonas la red puede tener resultados ambiguos que necesiten revisión de algún experto, por ejemplo, vasos estenóticos y variaciones anatómicas poco comunes”. Éstas se calculan a través de múltiples predicciones de la red en variaciones de la misma segmentación de entrada.
Poniendo a prueba las redes
El equipo evaluó tres arquitecturas distintas de redes neuronales: UNet, CS-Net y nnUNet. La primera es la base de comparación, “implementada anteriormente para etiquetado intracraneal, pero sin incertidumbre” como agrega el investigador del instituto milenio. Mientras que CS-Net es una variante de UNet con módulos de atención para mejorar la segmentación de estructuras curvilíneas como los vasos. En el paper se adapta para la tarea de etiquetado.
Por último, nnUNet, es un algoritmo bastante popular que permite automatizar el diseño de las redes UNet para segmentación a partir de las características de los datos de entrenamiento. nnUNet ha sido bastante exitosa en múltiples tareas de segmentación y etiquetado de órganos y tejidos a lo largo del cuerpo.
A partir de los resultados se concluye que tanto nnUNet como CSNet consiguen mejor rendimiento que la red base UNet. “Como trabajo futuro propongo combinar las fortalezas de ambas: configuración automática de nnUNet y módulos de atención de CS-Net” señala Bisbal, quien realizó esta investigación durante una pasantía en el Karolinska Institutet de Suecia, en colaboración con la Universidad de Greifswald, Alemania.
Este trabajo forma parte de un proyecto mayor que busca desarrollar un sistema completo para analizar el flujo de sangre de la vasculatura cerebral, que incluye segmentación de vasos, etiquetado automatizado de arterias y aumento de resolución de imágenes de resonancia magnética, con el objetivo de extraer indicadores hemodinámicos estandarizados del estado de la salud vascular de los pacientes.
“Esta sería una de las últimas piezas faltantes del proceso, y el siguiente paso es unirlas y validarlas en conjunto en cohortes más grandes de pacientes y voluntarios. En corto, es aplicable, pero falta validación en más datos” finaliza el investigador.
Bisbal, J., Winter, P., Jofre, S. et al. Uncertainty-aware automated labeling of intracranial arteries using deep learning. BMC Med Imaging 26, 175 (2026). https://doi.org/10.1186/s12880-026-02276-5
