Resumen Técnico: Modelos de Espacio de Estados Selectivos en Imágenes Médicas

1. Planteamiento del Problema

El análisis de imágenes médicas enfrenta un compromiso crítico entre el modelado de características locales y la captura del contexto global. Mientras que las Redes Neuronales Convolucionales (CNN) sobresalen en la extracción de características locales debido a su sesgo inductivo y localidad espacial, tienen dificultades con las dependencias de largo alcance inherentes a las estructuras anatómicas de gran tamaño. Por el contrario, los Vision Transformers (ViT) abordan el contexto global mediante mecanismos de autoatención, pero sufren una complejidad computacional cuadrática ($O(N^2)$) en relación con el número de tokens. Esta escala cuadrática crea severos cuellos de botella de hardware y memoria al procesar imágenes 2D de alta resolución y, más críticamente, datos volumétricos 3D médicos (p. ej., RM, TC), lo que dificulta su despliegue clínico.

Aunque los Modelos de Espacio de Estados Selectivos (SSM selectivos), específicamente la arquitectura Mamba, ofrecen una solución al procesar secuencias de datos con una complejidad computacional lineal ($O(N)$), su aplicación directa a la imagen médica presenta nuevos desafíos. Las arquitecturas Mamba estándar están diseñadas para secuencias 1D; el aplanamiento de imágenes médicas 2D o 3D en secuencias 1D rompe la continuidad espacial, la consistencia topológica y las dependencias direccionales. Además, adaptar estos modelos a datos 2D/3D a menudo requiere mecanismos de escaneo multidireccional que aumentan el consumo de memoria, lo que podría anular las ganancias de eficiencia sobre los Transformers.

2. Metodología

Este estudio es una revisión sistemática realizada de acuerdo con las directrices PRISMA para evaluar la integración de arquitecturas basadas en Mamba en la inteligencia artificial médica.

• Estrategia de Búsqueda: Se realizó una búsqueda exhaustiva en cuatro bases de datos (Web of Science, IEEE Xplore, Scopus, ACM Digital Library) para artículos de revistas revisados por pares publicados entre 2024 y 2026.
• Criterios de Selección: La revisión se centró en estudios que utilizan Mamba o SSM selectivos para tareas de imagen médica/biomédica (segmentación, clasificación, síntesis, etc.). Se excluyeron trabajos no revisados por pares, aplicaciones no médicas y estudios que carecieran de contribuciones metodológicas sustanciales.
• Síntesis de Datos: De un grupo inicial de 1,259 artículos, 445 estudios cumplieron con los criterios de inclusión. Se seleccionó un subconjunto representativo de 60 estudios (15 por categoría arquitectónica) para una síntesis cualitativa detallada.
• Evaluación Crítica Cualitativa: En lugar de un metaanálisis cuantitativo (que se consideró inviable debido a la heterogeneidad de tareas y métricas), los autores emplearon una evaluación cualitativa centrada en tres criterios:
  1. Transparencia metodológica y reproducibilidad (código de fuente abierta, comparación con el estado del arte [SOTA]).
  2. Robustez y validación de los conjuntos de datos (público vs. privado, validación cruzada).
  3. Viabilidad computacional y aplicabilidad clínica (carga de parámetros, cuellos de botella de memoria, generalización).

Los 445 estudios incluidos se categorizaron en cuatro tipologías arquitectónicas:

1. Adaptaciones de Mamba Puro: Aplicación directa de backbones de Mamba sin hibridación.
2. Híbridos CNN-Mamba: Combinación de CNN para características locales con Mamba para el contexto global.
3. Integraciones Transformer-Mamba: Hibridación de bloques ViT/Swin-Transformer con Mamba.
4. Nuevos Mecanismos de Escaneo: Innovaciones en las rutas de escaneo (p. ej., escaneo cruzado, fractal, bidireccional) para preservar la topología espacial.

3. Contribuciones Clave y Hallazgos

3.1 Dominancia Arquitectónica

La revisión identifica a los Híbridos CNN-Mamba como el enfoque más dominante y eficiente en la literatura actual. Estos modelos combinan con éxito las capacidades de extracción de características locales de las CNN con el modelado de contexto global de Mamba. Son particularmente prevalentes en tareas que requieren tanto detalle de tejido a micro-nivel como topología de órganos a macro-nivel, como la segmentación de tumores cerebrales, la detección de lesiones cutáneas y el análisis patológico.

3.2 Modalidades y Tareas

• Modalidades: La arquitectura muestra la mayor adaptabilidad a la RM y TC (18% y 15% de los estudios, respectivamente) y a los datos multimodales (27%). La complejidad lineal de Mamba proporciona una ventaja natural para procesar la naturaleza volumétrica 3D de alta resolución de estas modalidades.
• Tareas: Aunque la segmentación de imágenes médicas es el enfoque principal, la arquitectura también se aplica cada vez más a la clasificación, síntesis de imágenes, reconstrucción y generación de informes.

3.3 Rendimiento vs. Limitaciones

• Rendimiento: Los modelos basados en Mamba, particularmente los híbridos, demuestran una alta precisión diagnóstica y a menudo superan a las CNN y Transformers estándar en términos de puntuaciones Dice e IoU, especialmente en tareas volumétricas 3D donde los ViT tienen dificultades con la memoria.
• Cuellos de Botella Metodológicos:
  • Pérdida de Información Espacial: La necesidad de aplanar imágenes 2D/3D en secuencias 1D conduce a la pérdida de continuidad espacial y consistencia topológica.
  • Sobrecarga de Memoria: Los mecanismos de escaneo multidireccional (p. ej., en VMamba/SS2D) y las arquitecturas híbridas (estructuras de doble rama) a menudo resultan en recuentos de parámetros excesivos y consumo de memoria, limitando el despliegue en hardware clínico con recursos limitados.
  • Generalización: Muchos estudios dependen de conjuntos de datos estándar de acceso abierto (p. ej., BraTS, ISIC) y carecen de validación externa multicéntrica, lo que plantea dudas sobre la robustez frente a las variaciones clínicas del mundo real (ruido, adquisiciones de baja dosis, movimiento del paciente).

3.4 Evaluación de Calidad

La revisión señala que, si bien la transparencia metodológica es generalmente alta (muchos estudios liberan su código), la robustez de los conjuntos de datos es a menudo de baja a media debido a la falta de generalización de dominio. La viabilidad computacional sigue siendo un obstáculo significativo, con pocos estudios que demuestren un despliegue exitoso en tiempo real o en dispositivos de borde (edge devices).

4. Significado y Direcciones Futuras

El artículo postula que Mamba representa un cambio transformador en el análisis de imágenes médicas al reconciliar matemáticamente el contexto global de los Transformers con la eficiencia lineal de las CNN. Sin embargo, los autores mantienen una postura modesta, enfatizando que Mamba aún no es una solución "plug-and-play" para la integración clínica.

Significado:

• Mamba ofrece una alternativa viable al cuello de botella cuadrático de los ViT, permitiendo el procesamiento de datos médicos 3D y de alta resolución sin los costos prohibitivos de memoria de los Transformers.
• El enfoque híbrido CNN-Mamba es actualmente la vía más prometedora para equilibrar la extracción de características locales y globales.

Direcciones Futuras Identificadas por los Autores:

1. SSM Selectivos 3D Nativos: Desarrollo de bloques Mamba que procesen volúmenes 3D directamente sin aplanamiento, preservando la topología espacial y las relaciones de vecindad entre píxeles.
2. Modelos Fundacionales Médicos: Aprovechar la eficiencia de Mamba para construir modelos fundacionales de gran escala y auto-supervisados sobre datos clínicos no etiquetados para abordar la escasez de conjuntos de datos médicos etiquetados.
3. Integración en el Borde (Edge): Aplicación de técnicas de compresión de modelos (poda, cuantización, destilación de conocimiento) para reducir la densidad de parámetros, permitiendo el despliegue en dispositivos portátiles y sistemas de navegación quirúrgica en tiempo real.

El artículo concluye que, si bien las arquitecturas basadas en Mamba se están convirtiendo rápidamente en una columna vertebral para la próxima generación de IA médica, superar la pérdida de información espacial y los cuellos de botella de memoria es esencial antes de que puedan integrarse plenamente en los sistemas de apoyo a la decisión clínica.