SpineFusion for plane aware local and global MRI classification of multiple sclerosis and myelitis

El sistema nervioso humano es una red vasta e intrincada, y cuando funciona mal, las consecuencias pueden ser profundas. Dos de estas condiciones, la esclerosis múltiple y la mielitis, implican inflamación y daño en la cubierta protectora de las fibras nerviosas, creando lesiones que interrumpen la comunicación dentro del cuerpo. La esclerosis múltiple a menudo se presenta con parches de daño cortos y dispersos, mientras que la mielitis puede causar tramos largos y continuos de inflamación. Distinguir entre ambas es vital para el tratamiento, pero es una tarea difícil para los médicos que observan imágenes médicas. Estas imágenes, conocidas como resonancias magnéticas o escaneos de RM, capturan el cuerpo en cortes finos desde diferentes ángulos. A veces, la diferencia entre las dos enfermedades es sutil, oculta en la textura de un pequeño punto o en la forma en que una lesión se extiende a través de un corte. Además, la orientación del escaneo —ya sea que observe el cuerpo desde un lado o desde arriba— cambia cómo aparece la anatomía, añadiendo otra capa de complejidad al diagnóstico.

Para ayudar a los médicos a navegar esta complejidad, los investigadores han recurrido a la inteligencia artificial, específicamente a un campo llamado aprendizaje profundo (deep learning). Estos sistemas informáticos están diseñados para aprender patrones a partir de vastas cantidades de datos, de forma muy similar a como un estudiante aprende de un libro de texto, pero lo hacen ajustando millones de configuraciones internas para reconocer características visuales. El desafío ha sido construir un sistema que pueda ver tanto los detalles finos de una lesión como el contexto más amplio de la anatomía circundante, mientras también comprende el ángulo desde el cual se tomó la imagen. Si una computadora puede aprender a combinar estas diferentes perspectivas, podría ofrecer una opinión secundaria más confiable para casos difíciles.

Un equipo de investigadores de universidades de Turquía ha desarrollado un nuevo enfoque para este problema, creando un sistema que llaman SpineFusion. Su trabajo se centra en enseñar a una computadora a observar escaneos de RM de la columna vertebral y el cerebro, identificando si un paciente está sano o sufre de esclerosis múltiple o mielitis. Los investigadores no simplemente entrenaron un programa informático estándar; en su lugar, construyeron un sistema de doble motor que imita la forma en que un experto humano podría observar una imagen. Una parte del sistema está diseñada para detectar detalles locales, como la textura específica de una pequeña lesión, mientras que la otra parte observa el panorama general, comprendiendo la forma y el contexto global de la médula espinal o el cerebro. Crucialmente, estas dos partes no trabajan de forma aislada. Intercambian información constantemente, con la parte enfocada en el detalle pidiendo ayuda a la parte enfocada en el contexto, y viceversa. Adicionalmente, se le indica explícitamente al sistema si está mirando una vista lateral o una vista desde arriba del cuerpo, una pieza de información que le ayuda a interpretar correctamente los datos visuales.

Los investigadores probaron este nuevo sistema en tres colecciones diferentes de imágenes médicas públicas. La primera colección contenía casi 2.800 imágenes de médulas espinales, etiquetadas como sanas, con esclerosis múltiple o con mielitis. El segundo conjunto incluía más de 3.400 imágenes de cerebros, distinguiendo entre individuos sanos y aquellos con esclerosis múltiple. El tercer conjunto, y el más grande, contenía casi 12.000 imágenes que cubrían ocho enfermedades neurológicas diferentes, que van desde el Alzheimer hasta tumores cerebrales. En cada caso, el sistema fue entrenado y probado por separado, asegurando que el conocimiento ganado de un conjunto de imágenes no se filtrara en la prueba de otro.

Los resultados mostraron que el sistema fue altamente efectivo en su tarea. En las imágenes espinales, identificó correctamente la condición en aproximadamente el 95% de los casos. En las imágenes cerebrales, alcanzó un AUC de casi 0,98, y en el conjunto grande y complejo de ocho enfermedades diferentes, alcanzó un AUC de más de 0,99. Sin embargo, los investigadores fueron cuidadosos en no afirmar que esto fuera una solución perfecta. Cuando compararon su nuevo sistema con métodos más antiguos que previamente habían reportado puntuaciones altas, encontraron que su enfoque no necesariamente superaba a las mejores cifras existentes. De hecho, la parte de su sistema dedicada a detectar detalles locales ya era tan fuerte por sí sola que añadir el contexto global y la información del ángulo solo mejoró los resultados por una fracción mínima. Esto sugiere que, para este tipo específico de imagen espinal, la capacidad de ver la textura fina es el factor más importante, y la complejidad añadida de combinar vistas ofrece solo un beneficio marginal.

El estudio también destacó dónde el sistema todavía tiene dificultades. Los errores más comunes ocurrieron cuando la computadora confundió la esclerosis múltiple con la mielitis, dos condiciones que son clínicamente similares y a menudo difíciles de distinguir incluso para los expertos humanos. Los investigadores también notaron una limitación significativa en sus datos: las imágenes provenían de archivos públicos que no siempre incluían etiquetas claras que vincularan múltiples cortes con el mismo paciente. Esto significa que cortes de la misma persona podrían haber terminado tanto en el grupo de entrenamiento como en el de prueba, lo que podría hacer que el sistema parezca más preciso de lo que realmente es ante un paciente completamente nuevo. Debido a esto, los investigadores enfatizaron que sus hallazgos son una prueba de concepto más que una herramienta médica lista para su uso.

En última instancia, este trabajo demuestra que es posible construir un modelo de aprendizaje automático que comprenda tanto los detalles locales como el contexto global de las imágenes médicas, y que puede utilizar la orientación del escaneo para mejorar su juicio. El sistema aprendió con éxito a fusionar estos diferentes tipos de información, creando un marco robusto para analizar escaneos de RM. Aunque los resultados actuales son prometedores, los investigadores concluyen que, antes de que tal herramienta pueda ser utilizada para ayudar a los pacientes, debe ser probada en datos donde cada corte esté cuidadosamente agrupado por paciente para asegurar que el sistema esté aprendiendo realmente sobre la enfermedad y no solo memorizando las imágenes específicas que ha visto. El camino a seguir implica refinar estos modelos y validarlos en entornos clínicos del mundo real, donde los riesgos son altos y la necesidad de precisión es absoluta.