Investigación

Problema

La caracterización cuantitativa del miocardio mediante mapeo T1 y T2 permite detectar alteraciones tisulares, pero los métodos tradicionales son predominantemente 2D y habitualmente requieren adquisiciones separadas para cada parámetro, lo que limita la cobertura del corazón completo y aumenta la complejidad del examen.

Contribuición

La caracterización avanzada del tejido cardíaco no requiere necesariamente resonancia magnética de alto campo. Desarrollamos y validamos secuencias 3D de corazón completo, con compensación de movimiento y en respiración libre, capaces de obtener de forma conjunta mapas T1 y T2 e imágenes de agua y grasa, con resolución isotrópica y en poco tiempo, en un sistema de MRI de bajo campo de 0,55 T.

Problema:

Los modelos de IA para clasificar lesiones cutáneas suelen entrenarse y validarse con conjuntos de datos que representan de manera insuficiente a las poblaciones latinoamericanas. Esto puede comprometer la generalización del modelo y ocultar diferencias de desempeño entre grupos demográficos.

Contribución:

Desarrollamos marcos de aprendizaje profundo que combinan imágenes dermatológicas con metadatos clínicos y comparamos su desempeño con conjuntos de datos latinoamericanos y europeos. Esta estrategia permitió estudiar cómo la composición demográfica de los datos influye en la clasificación de lesiones y avanzar hacia modelos más robustos y potencialmente menos sensibles a sesgos de representación. Como resultado de esta línea se creó Trawa, la primera base chilena de imágenes dermatoscópicas y datos clínicos para la investigación en cáncer de piel.

Problema: El desarrollo de IA en imagenología médica depende de grandes volúmenes de datos bien estructurados, representativos y reutilizables. En Chile, estos recursos son escasos y suelen estar fragmentados entre proyectos, modalidades e instituciones, lo que limita la reproducibilidad, la colaboración, la validación local y la capacidad de estudiar sesgos poblacionales. Además, la falta de bases abiertas o compartidas reduce la posibilidad de comparar métodos y escalar desarrollos científicos.

Contribución: En torno a la plataforma de MRI de 0,55 T, consolidamos una base multiórgano con más de 1.159 exámenes y 457 sujetos estructurados, que incluye cohortes de abdomen, cerebro, rodilla, corazón y pulmón. Esta infraestructura se complementó con bases clínicas especializadas en cáncer de piel, mamografía, radiografía de tórax y cáncer de próstata, además de una cohorte prospectiva chilena de 94 pacientes con MRI prostática de 3 T. El objetivo fue crear recursos capaces de sostener la investigación reproducible, la colaboración entre streams y el desarrollo de biomarcadores e IA ajustada al contexto local.

Problema:

El flujo radiológico es un proceso complejo y secuencial. El especialista no solo debe identificar si existe una lesión, sino también localizarla, caracterizarla, integrar la información clínica, interpretar su significado y comunicar los hallazgos mediante un reporte. Sin embargo, gran parte de la IA médica tradicional se ha desarrollado para resolver tareas aisladas, lo que limita su utilidad clínica.

Contribución:

Avanzamos desde algoritmos que analizan imágenes de manera aislada hacia sistemas multimodales capaces de conectar las imágenes médicas con el lenguaje radiológico, construyendo progresivamente un pipeline de IA radiológica que une visión computacional, explicabilidad y lenguaje clínico. En próstata, la línea evolucionó desde la interpretación de MRI y la evaluación de lesiones hacia modelos multimodales generativos, incluido un modelo de lenguaje (LLM) especializado y un conjunto de datos de preguntas y respuestas visuales (VQA) con más de 1.500 casos clínicos, capaces de apoyar la generación preliminar de reportes y la interacción mediante preguntas y respuestas. En mamografía, la investigación avanzó desde la minería de textos y la clasificación hacia la explicabilidad, la localización de lesiones, la priorización de exámenes, la cuantificación de la densidad mamaria y la generación estructurada de reportes.

Problema:

El desarrollo de modelos de IA para imágenes médicas suele requerir grandes bases de datos anotadas manualmente por especialistas. En aplicaciones como la segmentación de tumores cerebrales, estas anotaciones implican delineaciones expertas, costosas y demandantes en tiempo, lo que limita el desarrollo de modelos robustos en escenarios clínicos donde los datos etiquetados son escasos.

Contribución:

Desarrollamos arquitecturas híbridas de aprendizaje profundo que combinan aprendizaje autosupervisado con tareas auxiliares informadas por la anatomía, lo que permite aprender características estructurales relevantes directamente desde la MRI cerebral y reducir la dependencia de grandes volúmenes de datos. Estas estrategias mostraron un buen desempeño en escenarios con pocas etiquetas, como la segmentación de tumores cerebrales, y luego se extendieron al análisis longitudinal de imágenes cerebrales para estudiar cambios estructurales asociados a la progresión neurodegenerativa y estimar el riesgo de enfermedad de Alzheimer.