La Universidad de Michigan ha lanzado NeuroVFM, un modelo de inteligencia artificial de base que promete cambiar la forma en que los profesionales de la salud analizan imágenes cerebrales. Al tratarse de un modelo de aprendizaje generalista, NeuroVFM no se limita a una tarea específica, sino que puede ser adaptado a una amplia gama de aplicaciones, desde la detección de tumores hasta la valoración de lesiones degenerativas.
Una de las características más sobresalientes de NeuroVFM es el volumen de datos con el que se ha entrenado: 5,24 millones de volúmenes clínicos de resonancia magnética (MRI) y tomografía computarizada (CT). Lo que hace aún más interesante este trabajo es que los datos son “uncurated”, es decir, provienen de flujos de trabajo clínicos sin una limpieza o anotación previa. En otras palabras, el modelo aprende directamente de la realidad hospitalaria y no de conjuntos de datos curados y etiquetados manualmente.
El mecanismo de aprendizaje se basa en Vol‑JEPA, una extensión de los modelos I‑JEPA y V‑JEPA que se diseñó específicamente para imágenes volumétricas médicas. Vol‑JEPA emplea un enfoque de aprendizaje auto-supervisado mediante contraste, donde el modelo intenta predecir información oculta de un volumen a partir de otra parte del mismo. Este método permite que el modelo capture patrones estructurales y patológicos sin la necesidad de etiquetas explícitas, algo que ha sido un obstáculo importante en el desarrollo de IA para la salud.
A diferencia de los Played Models tradicionales, que suelen requerir conjuntos de datos etiquetados con precisión, NeuroVFM se nutre de la variabilidad inherente del entorno clínico. Esto no solo reduce el coste de anotación, sino que también aumenta la capacidad de generalización del modelo, ya que se expone a una variedad de protocolos de escaneo, calidades de imagen y variaciones anatómicas que son típicas en la práctica diaria.
En términos de rendimiento, los autores reportan que NeuroVFM puede realizar tareas de segmentación y clasificación con una precisión comparable a las de modelos entrenados feeders con datos etiquetados. Además, al ser un modelo de base, puede ser afinado con cantidades relativamente pequeñas de datos específicos, lo que facilita su despliegue en entornos con recursos limitados.
Para los radiólogos, esta tecnología representa una oportunidad significativa. Al reducir la dependencia de reportes radiológicos para el entrenamiento, se abre la puerta a la creación de herramientas de apoyo que pueden integrarse en la cadena de trabajo sin requerir enormes volúmenes de anotaciones. Asimismo, el hecho de que sea un modelo generalista le permite adaptarse a nuevas patologías o a la incorporación de modalidades adicionales como la resonancia magnética funcional (fMRI) o la tomografía por emisión de positrones (PET).
Sin embargo, existen desafíos que no pueden pasarse por alto. La ausencia de supervisión explícita plantea interrogantes sobre la interpretabilidad de las decisiones del modelo y su capacidad para detectar sesgos inherentes a los datos clínicos. Además, la regulación de IA en el ámbito sanitario exige pruebas rigurosas y validaciones externas antes de que un modelo como NeuroVFM pueda utilizarse en un entorno de atención al paciente.
Mirando hacia el futuro, es probable que se exploren versiones multi‑modal de NeuroVFM que integren datos clínicos, genéticos y de laboratorio, lo que podría llevar a diagnósticos más precisos y personalizados. La posibilidad de compartir el modelo como una plataforma de código abierto también puede acelerar la innovación en todo el ecosistema de la neuroimagen, haciendo que las mejores prácticas estén disponibles para investigadores y clínicos en todo el mundo.
En conclusión, NeuroVFM representa un hito importante en la evolución de la inteligencia artificial en el ámbito de la neuroimagen. Su capacidad para aprender directamente de grandes cantidades de datos clínicos no etiquetados abre un nuevo paradigma de desarrollo de IA, que combina eficiencia ylimón y generalización. Si bien aún quedan preguntas sobre la seguridad y la regulación, la trayectoria de NeuroVFM sugiere que los modelos de base podrían convertirse en la columna vertebral de las soluciones de diagnóstico asistido por IA en los próximos años.
