Inteligencia artificial biomédica · us
Aprender a interpretar el cerebro a partir de 5,24 millones de conjuntos de imágenes tridimensionales: NeuroVFM avanza hacia las pruebas de triaje clínico
Este modelo, entrenado con datos de más de 20 años de práctica médica, superó varios modelos de referencia en 156 tareas diagnósticas y en una prueba prospectiva de una semana; sin embargo, no detectó a 21 pacientes con hallazgos clave en las imágenes, lo que demuestra que todavía queda camino por recorrer antes de que pueda funcionar de forma independiente.
El cuello de botella de la IA aplicada a las imágenes médicas no suele ser que los modelos hayan visto demasiado poco, sino que no han estado expuestos a los estudios cotidianos de hospitales reales, con calidad irregular, protocolos de exploración diversos y lesiones poco frecuentes. Un estudio publicado en «Nature Medicine» presenta NeuroVFM, un intento de crear directamente, a partir de imágenes cerebrales y de cabeza y cuello acumuladas por un gran sistema de salud, un modelo visual de propósito general capaz de respaldar múltiples tareas de diagnóstico, generación de informes y clasificación por urgencia.
El equipo de investigación recopiló 566.915 estudios realizados durante más de 20 años en Michigan Medicine, incluidos estudios de CT y MRI del cerebro, la cabeza y el cuello, el rostro y las órbitas oculares, que en total conformaron 5,24 millones de conjuntos de imágenes tridimensionales. NeuroVFM emplea un método autosupervisado denominado Vol-JEPA: se oculta una parte del estudio tridimensional y se pide al modelo que prediga la región ausente en un espacio de características abstractas, con el fin de aprender la ubicación anatómica y los cambios patológicos. El preentrenamiento no requiere etiquetas diagnósticas ni informes radiológicos.
Con datos clínicos reservados de forma independiente según el tiempo, los investigadores conectaron al modelo un módulo de clasificación que abarcaba 82 diagnósticos mediante CT y 74 mediante MRI. El AUROC medio general de las 156 tareas fue del 92,68% para CT y del 92,49% para MRI, y en general superó a los modelos de referencia entrenados con los mismos datos internos, pero mediante supervisión basada en informes o reconstrucción de imágenes. Esta comparación indica que el rendimiento no depende únicamente del volumen de datos, sino también de la manera en que el modelo aprende de las imágenes tridimensionales.
El equipo combinó además el codificador de imágenes de NeuroVFM con el modelo de lenguaje Qwen3-14B para generar hallazgos radiológicos estructurados, que después se entregaron a un modelo de razonamiento encargado de clasificar cada estudio como normal, general o urgente. En una prueba con 300 estudios de CT y MRI verificados por expertos, la tasa de errores en los hallazgos clave del contenido generado por NeuroVFM fue de aproximadamente el 10%, frente al 20% del grupo de comparación con GPT-5; en una evaluación ciega, los expertos eligieron los informes del primero más del doble de veces que los del segundo. Lo medido aquí es el rendimiento con unas entradas de imagen y un flujo de trabajo específicos, y no puede interpretarse como una comparación exhaustiva de las capacidades de todos los modelos de propósito general.
Una prueba más próxima a la práctica real fue un estudio prospectivo de viabilidad «silencioso» de una semana, realizado en enero de 2026: el modelo procesó imágenes rutinarias de 1.155 pacientes, pero sus resultados no se utilizaron para tomar decisiones médicas reales. La exactitud equilibrada del flujo de triaje de NeuroVFM fue del 92,6%, superior al 71,2% del flujo de GPT-5; entre los 155 pacientes con al menos un hallazgo clave, la sensibilidad fue del 86,5%.
Esta cifra también delimita el margen de seguridad. NeuroVFM no detectó a 21 pacientes con hallazgos clave, principalmente porque las lesiones observadas en las imágenes no se incluyeron en el informe generado, y no porque el razonamiento posterior de triaje fuera incorrecto. En situaciones que no admiten demora, como una hemorragia aguda o un efecto de masa, este tipo de omisiones basta para descartar, en la etapa actual, el uso del modelo como herramienta autónoma de cribado.
Además, los datos de entrenamiento proceden principalmente de un único sistema médico académico de Estados Unidos, por lo que el modelo podría heredar sesgos relacionados con la composición de los pacientes, los equipos y los flujos clínicos locales; incluso después de conectarlo a un modelo de lenguaje, aún podría generar hallazgos inexistentes. Tanto el modelo como el código publicados por el equipo de investigación están etiquetados exclusivamente para investigación y no como productos sanitarios. El siguiente paso no consiste únicamente en validar la exactitud en más hospitales, sino también en abordar la gobernanza de los datos, la monitorización continua, la atribución de responsabilidades y la revisión regulatoria. Hasta que estas cuestiones se aclaren, la revisión por parte de los médicos seguirá siendo insustituible.