La UPV demuestra que los modelos personalizados de IA mejoran el tratamiento de glioblastomas

VALÈNCIA (EP). Un estudio liderado por investigadores del grupo BDSLab del Instituto ITACA de la Universitat Politècnica de València subraya la necesidad de adaptar las tecnologías de inteligencia artificial a las particularidades de cada institución médica para maximizar su impacto en la atención al paciente, especialmente en el tratamiento y segmentación de glioblastomas, uno de los tumores cerebrales más agresivos.

Esta es la principal conclusión de un artículo, publicado en el International Journal of Medical Informatics. La investigación ha contado con la participación de F. Javier Gil-Terrón, Pablo Ferri, Víctor Montosa, María Gómez y Carles López, liderados por Juan M. García y Elies Fuster, además de Pau Martí, de la Universitat de les Illes Balears, según ha informado la institución académica.

El estudio parte de la realidad de que la resonancia magnética ha revolucionado el diagnóstico y tratamiento de los tumores cerebrales, permitiendo el acceso no invasivo a información crucial para planificar intervenciones quirúrgicas y monitorizar el progreso del tratamiento, especialmente en casos de glioblastoma. Sin embargo, la segmentación manual de las imágenes para identificar con precisión las áreas afectadas puede ser "compleja y propensa a errores" debido a la naturaleza tridimensional y multiparamétrica de las imágenes, señalan.

Para mejorar este proceso, los avances en el aprendizaje profundo, especialmente en redes neuronales convolucionales (CNN), han facilitado el desarrollo de modelos automáticos que ofrecen segmentaciones "rápidas y precisas" de los tumores cerebrales, optimizando significativamente el tratamiento de pacientes con glioblastoma, un tipo de tumor particularmente letal.

En este contexto, el trabajo analizó cómo la variabilidad de los datos entre diferentes centros médicos puede afectar la precisión de los modelos de aprendizaje en la segmentación de glioblastomas, debido al fenómeno conocido como dataset shift. Concretamente, se abordó la variabilidad en las diferencias de las imágenes de resonancia magnética (MRI) obtenidas en diferentes centros, en dichos criterios de segmentación aplicados por los expertos y en la propia composición del tumor.

El autor principal del estudio, F. Javier Gil-Terrón, ha explicado al respecto que "a diferencia de los modelos generalistas, que se entrenan con datos de múltiples fuentes y pueden perder efectividad al enfrentarse a un entorno clínico específico, los modelos personalizados abordan las características únicas de cada centro". Esto resulta "esencial" en la segmentación de tumores cerebrales, donde "la precisión del diagnóstico puede influir directamente en las decisiones terapéuticas", destaca.

Trabajo de campo

La investigación se llevó a cabo utilizando el conjunto de datos BraTS 2021, que incluye más de 1.200 casos procedentes de 23 centros médicos. A partir de estos datos, se desarrollaron y compararon 155 modelos de aprendizaje basados en redes neuronales convolucionales para evaluar el desempeño de diferentes configuraciones.

"La adaptación de los modelos no solo optimiza el rendimiento, sino que permite a los centros de salud beneficiarse de herramientas más confiables. Al personalizar los modelos para cada institución, se pueden abordar variaciones en las prácticas de adquisición de imágenes, protocolos clínicos y criterios de segmentación, aspectos que suelen ser pasados por alto en enfoques generalistas", añade.

Por todo ello, los autores del estudio destacan que el enfoque propuesto "refuerza la idea de que la inteligencia artificial debe percibirse como una herramienta flexible y adaptable, ajustada a los requerimientos específicos de cada entorno clínico".

"Adaptar los modelos a la realidad de cada centro médico no solo mejora la precisión, sino que facilita su implementación y aceptación por parte de los profesionales de la salud", concluyen los investigadores de ITACA UPV.