Investigadores de la Universidad de Michigan presentaron NeuroVFM, un modelo fundacional de neuroimagen entrenado con 5,24 millones de volúmenes clínicos de resonancia magnética (MRI) y tomografía computarizada (CT). A diferencia de la mayoría de los sistemas de diagnóstico por imagen, este modelo aprendió anatomía y patología cerebral sin depender de informes radiológicos que le sirvieran de etiqueta, según el trabajo publicado en Nature Medicine.

Un modelo fundacional es un sistema entrenado con enormes cantidades de datos sin una tarea específica en mente, de modo que después puede adaptarse a múltiples usos. En medicina, ese enfoque promete reducir la dependencia de conjuntos de datos anotados a mano, un cuello de botella caro y lento en el diagnóstico por imagen.

Aprender sin etiquetas: la apuesta de Vol-JEPA

El corazón técnico de NeuroVFM es Vol-JEPA, una arquitectura que lleva al terreno volumétrico las ideas de I-JEPA y V-JEPA, dos métodos de aprendizaje autosupervisado desarrollados en los últimos años. La sigla JEPA corresponde a Joint-Embedding Predictive Architecture: en lugar de reconstruir píxel por píxel una imagen oculta, el modelo aprende a predecir representaciones abstractas de las partes que no ve, capturando así la estructura del contenido.

Vol-JEPA extiende esa lógica a los volúmenes tridimensionales propios de la MRI y la CT, donde cada estudio no es una foto plana sino una pila de cortes que reconstruye el cerebro en tres dimensiones. El resultado, según los autores, es un modelo capaz de reconocer anatomía normal y hallazgos patológicos sin que un radiólogo haya tenido que describir previamente cada caso.

El detalle más relevante está en el tipo de datos empleados. NeuroVFM se entrenó con volúmenes clínicos sin curar, es decir, estudios tal como se generan en la práctica hospitalaria real, con su ruido, su variabilidad de equipos y sus casos atípicos. Ese material se acerca mucho más a lo que enfrenta un servicio de radiología que los conjuntos depurados y filtrados que suelen alimentar a los modelos académicos.

Por qué importa para la radiología

La escasez de datos etiquetados por especialistas ha frenado durante años la adopción de la inteligencia artificial en el diagnóstico por imagen. Anotar millones de estudios exige tiempo de profesionales altamente capacitados, y los sistemas entrenados de ese modo tienden a fallar cuando se los expone a equipos, protocolos o poblaciones distintos de los del entrenamiento.

Un modelo capaz de aprender directamente de volúmenes clínicos sin curar podría, en teoría, adaptarse a tareas concretas —detección de hemorragias, clasificación de tumores, triaje de urgencias— con muchos menos ejemplos anotados. Es el mismo salto conceptual que los grandes modelos de lenguaje trajeron al procesamiento de texto, ahora aplicado al cerebro. Para entender el contexto más amplio de estas aplicaciones, conviene revisar cómo avanza la IA en el diagnóstico y la salud.

El equipo publicó el código en un repositorio abierto en GitHub, lo que permite a otros grupos reproducir y auditar el trabajo, un requisito cada vez más exigido en la investigación biomédica.

Cautelas antes de la clínica

Que un modelo funcione en pruebas de laboratorio no significa que esté listo para tomar decisiones sobre pacientes. Los sistemas de imagen médica deben superar validaciones prospectivas, pruebas en distintos hospitales y, en muchos países, aprobaciones regulatorias antes de integrarse en la rutina asistencial. NeuroVFM es, por ahora, una demostración de capacidad, no un producto desplegado.

Quedan también preguntas abiertas sobre sesgos: un modelo entrenado con datos de una red hospitalaria concreta puede rendir peor en poblaciones o equipos ausentes de ese conjunto. Aun con esas reservas, el trabajo señala una dirección que gana fuerza en la investigación en salud: aprovechar el océano de datos clínicos que ya se generan a diario, en lugar de construir laboriosamente conjuntos etiquetados desde cero.