← Volver al inicio

Alinear el diagnóstico con las imágenes: el modelo de IA médica EVLF-FM combina interpretación y explicación visual

Desde imágenes del fondo de ojo hasta cortes histológicos, EVLF-FM intenta identificar enfermedades y señalar al mismo tiempo las regiones pertinentes de las imágenes. Las pruebas entre modalidades aportan evidencia preliminar, pero la fiabilidad de las explicaciones y su capacidad para mejorar la atención clínica real aún requieren estudios prospectivos.

By SURL BioNews

Cuando un médico revisa el resultado de una interpretación de imágenes realizada por IA, debe comprobar no solo el nombre de la enfermedad, sino también qué indicios de la imagen sustentan esa conclusión. Un estudio publicado el 29 de octubre en Nature Medicine presenta EVLF-FM, que integra la identificación de enfermedades, la respuesta a preguntas sobre imágenes y la localización de regiones en un mismo modelo, con el objetivo de acompañar las sugerencias diagnósticas de evidencia visual verificable.

El desarrollo y las pruebas descritos en el artículo definitivo abarcaron más de 1,3 millones de muestras de 10 modalidades de imagen y seis especialidades clínicas, entre ellas oftalmología, dermatología y anatomía patológica; además, se realizó una validación externa con 13.443 muestras independientes. Este diseño busca comprobar si el modelo puede trabajar con distintos tipos de imágenes, en lugar de estar familiarizado únicamente con un tipo de datos.

EVLF-FM combina el ajuste fino supervisado con el ajuste fino por refuerzo visual. Además de responder a preguntas relacionadas con las imágenes, puede vincular descripciones textuales con regiones de la imagen a nivel de píxel. Para el uso clínico, el valor potencial de esta función consiste en permitir que los médicos contrasten una por una las anomalías señaladas por el modelo con las imágenes originales.

La versión publicada en la revista informa de una exactitud media del 89,5% en la validación interna del diagnóstico de enfermedades, superior a la de los modelos de comparación del estudio. Sin embargo, se trata de un resultado medio obtenido con datos y tareas específicos, que no puede interpretarse directamente como la exactitud alcanzable para cada enfermedad o en cada hospital, ni equivale a haber demostrado una mejora en la atención a los pacientes.

Las cifras de este estudio también cambiaron entre versiones. La prepublicación difundida en arXiv en septiembre de 2025 describía 11 modalidades de imagen, 8.884 muestras de validación externa y una exactitud media del 85,8% en el diagnóstico interno; la publicación definitiva actualizó el alcance de los datos y los resultados. Las cifras de ambas versiones no deben mezclarse, y la diferencia de exactitud tampoco puede interpretarse por sí sola como la magnitud de una mejora en la capacidad del modelo.

La capacidad de señalar regiones de una imagen sigue sin significar que el modelo revele por completo su proceso de decisión. El artículo define este tipo de resultados como explicaciones a posteriori y evalúa su concordancia con la evidencia; por tanto, la claridad de la presentación y la corrección de la valoración siguen siendo cuestiones que deben examinarse por separado.

El equipo investigador señala que, antes de su despliegue clínico habitual, aún se necesita validación en entornos sanitarios más diversos, así como estudios prospectivos que evalúen la seguridad, la eficacia y la utilidad clínica. La siguiente cuestión clave es si estas explicaciones verificables pueden ayudar a los médicos a detectar errores y a emitir juicios más fiables en los procesos reales de atención clínica.

References

  1. Nature Medicine
  2. arXiv
  3. Yang Zhou, Wuhan University