La IA que revoluciona el análisis de imágenes médicas y predice enfermedades con precisión asombrosa
Una nueva inteligencia artificial llamada LILAC puede detectar cambios microscópicos en imágenes médicas y predecir enfermedades con una precisión nunca antes vista. ¿El futuro del diagnóstico ya está aquí?
Por Enrique Coperías
Una IA con mucho ojo. La nueva herramienta LILAC permitirá detectar y cuantificar cambios clínicamente relevantes a lo largo del tiempo de maneras que antes no eran posibles, afirma uno de lo autores de la investigación. Imagen generada con Bing
El sistema LILAC (Learning-based Inference of Longitudinal imAge Changes) ha demostrado ser una herramienta revolucionaria en el análisis de imágenes médicas y científicas a lo largo del tiempo, ya que permite detectar cambios con alta precisión y predecir resultados clínicos.
Su capacidad de automatización y flexibilidad lo convierten en una solución viable para una amplia gama de aplicaciones, desde el seguimiento del desarrollo embrionario hasta la evaluación del deterioro cognitivo en personas mayores.
LILAC se basa en un modelo de aprendizaje automático que utiliza una arquitectura de red neuronal convolucional tipo Siamese. En otras palabras, estamos ante un modelo de inteligencia artificial (IA) diseñado para comparar dos entradas de datos y encontrar similitudes o diferencias entre ellas.
En lugar de depender de metodologías tradicionales, que requieren una extensa personalización y preprocesamiento de imágenes, LILAC automatiza la identificación de cambios relevantes eliminando las variaciones irrelevantes.
Esto hace que el nuevo sistema sea ideal para estudios de salud que dependen del análisis de datos longitudinales, como el seguimiento de enfermedades neurodegenerativas, la evaluación de tratamientos médicos y la cuantificación de la regeneración de tejidos.
“Esta nueva herramienta nos permitirá detectar y cuantificar cambios clínicamente relevantes a lo largo del tiempo de maneras que antes eran impensables. Además, su flexibilidad permite aplicarla a prácticamente cualquier conjunto de datos de imágenes longitudinales.”
El estudio, publicado en la revista Proceedings of the National Academy of Sciences (PNAS), por científicos del Weill Cornell Medicine, la Universidad de Cornell y la Cornell Tech, ha validado la eficacia de LILAC mediante diversas aplicaciones, entre ellas, el análisis de embriones en desarrollo, heridas en proceso de cicatrización y resonancias magnéticas cerebrales de personas mayores.
A diferencia de otros métodos, LILAC no requiere de un preprocesamiento manual de datos, lo que lo hace más rápido y eficiente. En lugar de eso, la red neuronal aprende directamente de la información de las imágenes, un pormenor que le permite detectar patrones de cambio que podrían pasar desapercibidos con métodos convencionales.
«Esto permite que LILAC sea útil no solo en diferentes tipos de imágenes, sino también en escenarios donde no sabemos exactamente qué tipo de cambio esperar», dice el doctor Heejong Kim, diseñador principal del sistema, en un comunicado del Weill Cornell Medicine.
Los investigadores probaron LILAC en varios experimentos, para de esta manera demostrar su eficacia en la identificación de cambios temporales con alta precisión, como se detalla a continuación:
✅ Análisis del desarrollo embrionario: LILAC fue entrenado con más de 8,000 imágenes de embriones en desarrollo y luego probado con nuevas secuencias. El sistema logró una precisión del 99% a la hora de determinar el orden temporal de imágenes dentro de una secuencia. Este nivel de exactitud solo mostró dificultades en imágenes tomadas en intervalos de tiempo muy cortos, donde las diferencias eran mínimas.
✅ Cicatrización de heridas: En experimentos con células en proceso de curación, LILAC fue capaz de detectar diferencias entre tejidos tratados y no tratados, e identificó variaciones en las tasas de curación con un margen de error significativamente menor que los métodos tradicionales. Además, demostró ser más preciso que los modelos basados en segmentación manual, que a menudo cometen errores cuanto tiene que diferenciar el tejido sano del que está en proceso de regeneración.
✅ Evaluación del envejecimiento cerebral: Utilizando imágenes de resonancia magnética de personas mayores sanos, LILAC logró predecir con alta precisión los intervalos de tiempo entre escaneos y correlacionar sus hallazgos con puntuaciones cognitivas. En el caso de pacientes con deterioro cognitivo leve, el modelo redujo en más del 40% el margen de error en comparación con métodos tradicionales para predecir cambios en el estado clínico del paciente.
Las limitaciones de los modelos métodos
Los métodos tradicionales de análisis de imágenes longitudinales suelen requerir un extenso procesamiento previo, que incluye tareas como la correcciones de alineación, la segmentación manual de estructuras y la eliminación de artefactos, especialmente en estudios cerebrales.
Sin embargo, este enfoque presenta varias limitaciones; entre ellas, la dependencia de personal experto para ajustar los parámetros de análisis, lo que implica una alta intervención manual. Además, el procesamiento de datos puede ser costoso y prolongarse durante semanas e incluso meses.
Otra desventaja está en su poca adaptabilidad, ya que muchos modelos tradicionales solo funcionan en contextos específicos y requieren de un cierto número de modificaciones significativas para aplicarse a diferentes tipos de estudios, advierten los autores del trabajo en PNAS.
Esta imagen muestra mapas de calor que resaltan las áreas en las que LILAC se enfoca al hacer predicciones. La parte superior refleja su análisis de cambios en la Escala de Calificación de la Demencia Clínica, mientras que la inferior incorpora edad y sexo como factores adicionales. Las diferencias en las regiones resaltadas indican que el modelo ajusta su enfoque según los factores considerados. Cortesía: Dr. Heejong Kim
LILAC, impulsado por el aprendizaje profundo
LILAC supera estas barreras debido a que es capaz de ignorar automáticamente las variaciones irrelevantes y enfocarse únicamente en los cambios significativos, sin necesidad de preprocesamiento.
Su capacidad de adaptación, impulsada por el aprendizaje profundo, le permite analizar distintos tipos de imágenes y situaciones sin requerir modificaciones estructurales, lo que lo convierte en una herramienta más eficiente y versátil.
En palabras del dcotor Sabuncu, uno de los aspectos más prometedores de LILAC es su capacidad para ser implementado en entornos clínicos reales. Actualmente, los investigadores planean probarlo en la predicción de respuestas al tratamiento en pacientes con cáncer de próstata. Para ello, utilizarán resonancias magnéticas con las que evaluarán la evolución de los tumores.
De igual manera, su capacidad para analizar imágenes de degeneración neuronal podría ser clave en el diagnóstico temprano de alzhéimer y otras enfermedades cognitivas.
A pesar de su gran precisión, los investigadores reconocen algunos desafíos que han de acometer en sus nuevas investigaciones:
Optimización de predicciones en intervalos cortos: en algunos experimentos, LILAC mostró dificultades para diferenciar imágenes tomadas en períodos de tiempo muy cercanos.
Exploración de arquitecturas más avanzadas: los investigadores planean incorporar redes neuronales basadas en transformers, que podrían mejorar aún más la capacidad de detección de cambios sutiles.
Aplicaciones en otros campos: aunque LILAC ha sido probado en imágenes médicas, su potencial se extiende a otras áreas, como la biología molecular, la ecología y la industria manufacturera, donde el seguimiento de cambios en el tiempo es crucial.
A pesar de esto desafíos, LILAC representa un avance significativo en el análisis de imágenes longitudinales, ya que ofrece una herramienta potente y adaptable para la detección y cuantificación de cambios en una amplia gama de disciplinas científicas y médicas.
Como podemos leer en las conclusiones del estudio, debido a su capacidad para automatizar el análisis, reducir la intervención humana y mejorar la precisión de las predicciones, LILAC se posiciona como un recurso clave para el futuro de la inteligencia artificial en la salud y la investigación. ▪️
Información facilitada por Weill Cornell Medicine
Fuente: Heejong Kimhttps, Batuhan K. Karaman, Qingyu Zhaoa, Alan Q. Wang and Mert R. Sabuncu. Learning-based inference of longitudinal image changes: Applications in embryo development, wound healing, and aging brain. PNAS (2025). DOI: https://doi.org/10.1073/pnas.2411492122
