← Volver al inicio

Enseñar a la IA a leer pruebas rápidas con imágenes sintéticas: SynSight demuestra su capacidad de interpretación en pruebas de VIH y COVID-19

Entrenar modelos para interpretar pruebas rápidas no requiere necesariamente recopilar primero una enorme colección de fotografías reales. SynSight, entrenado con imágenes simuladas, obtuvo buenos resultados en validaciones con pruebas rápidas de VIH y COVID-19, pero interpretar imágenes con precisión aún dista de ofrecer diagnósticos clínicos fiables.

By SURL BioNews

Las pruebas rápidas llevan la detección fuera del laboratorio, pero sus resultados todavía necesitan que alguien los interprete. Para que la inteligencia artificial ayude a interpretarlos, los desarrolladores suelen tener que recopilar numerosas fotografías y anotarlas una por una; esta barrera resulta especialmente evidente para las pruebas recién lanzadas o con pocos datos de imágenes disponibles. Un nuevo estudio propone un punto de partida diferente: generar primero imágenes de entrenamiento por ordenador y después comprobar si el modelo puede interpretar pruebas rápidas reales.

El estudio publicado el 10 de noviembre en *npj Digital Medicine* presenta SynSight, un flujo de trabajo de segmentación y clasificación de imágenes de pruebas rápidas entrenado con datos sintéticos. El resumen de la revista informa de una sensibilidad del 98% y una especificidad del 99% en la validación con pruebas rápidas de VIH, y de una exactitud de hasta el 99% en pruebas rápidas de COVID-19. La versión disponible actualmente es una publicación anticipada aceptada tras la revisión por pares, pendiente de edición posterior.

Las características técnicas de este método se aprecian con mayor claridad en un resumen preliminar de un evento de investigación de 2025 del University College London (UCL). Elliott Rogers y sus colegas entrenaron modelos con imágenes sintéticas generadas a partir de mecanismos, combinando la detección de objetos en tiempo real con la clasificación de resultados: primero identifican en la fotografía la zona de la prueba que debe analizarse y después interpretan el resultado. El estudio busca reducir la dependencia de las colecciones de imágenes reales para entrenar modelos.

El resumen preliminar del UCL indica una sensibilidad y una especificidad para el VIH del 98.2% y el 99.2%, respectivamente; en el caso de la COVID-19, abarca dos pruebas rápidas de antígenos y una prueba rápida de anticuerpos, con una exactitud del 99%, el 97% y el 95%, respectivamente. Estos datos corresponden a una fase anterior y no pueden considerarse directamente el desglose completo de la versión publicada ahora en la revista. También recuerdan al lector que «hasta el 99%» no significa que todas las pruebas rápidas alcancen el mismo rendimiento.

El atractivo de los datos sintéticos radica en que los desarrolladores podrían evitar tener que crear, para cada nueva prueba, otra enorme y costosa colección de fotografías de entrenamiento que incluya información sanitaria sensible. Sin embargo, prescindir de fotografías reales como material de entrenamiento no equivale a poder omitir la validación en situaciones reales; que las imágenes simuladas puedan abarcar las variaciones de la toma de fotografías y del comportamiento de las pruebas en la práctica sigue siendo clave para determinar hasta dónde puede llegar este enfoque.

Al interpretar las cifras, también es necesario distinguir entre «interpretar imágenes de pruebas rápidas» y «determinar si una persona está infectada». El rendimiento interpretativo de un modelo de imágenes no puede equipararse directamente con la capacidad diagnóstica de todo el proceso de detección para identificar a las personas infectadas. El resumen disponible de la revista no detalla el tamaño de la muestra de validación, los intervalos de confianza ni el rendimiento completo en las distintas condiciones de uso, por lo que aún no permite concluir que el sistema sea igualmente fiable con diferentes marcas, teléfonos móviles o entornos domésticos.

SynSight ofrece una vía viable para reducir las barreras al desarrollo. Para incorporarlo a los servicios de pruebas cotidianos, el siguiente paso sigue siendo aclarar con qué pruebas y condiciones de captura de imágenes puede utilizarse, cómo proceder cuando no sea posible una interpretación fiable y cuáles son los requisitos regulatorios correspondientes para los productos sanitarios. Los datos del estudio respaldan seguir validando este método, pero todavía no permiten afirmar que ya pueda asumir tareas de diagnóstico de forma independiente.

References

  1. npj Digital Medicine
  2. University College London