En los últimos años, los avances en inteligencia artificial (IA) han abierto nuevas vías en el diagnóstico de enfermedades complejas como los tumores cerebrales. Un reciente estudio publicado en la revista Scientific Reports propone una innovadora técnica que mejora notablemente la precisión en la segmentación de tumores cerebrales a partir de imágenes de resonancia magnética (MRI), un paso clave para su diagnóstico y tratamiento.
El reto de segmentar un tumor cerebral
Detectar un tumor cerebral en una imagen médica es una tarea compleja. No basta con saber si hay un tumor o no: también es fundamental delinear con exactitud sus bordes, su forma y su localización. Esta segmentación es necesaria para planificar cirugías, decidir los márgenes de radioterapia o hacer seguimiento de la evolución del tumor. Sin embargo, este proceso suele hacerse de forma manual por especialistas, lo que requiere mucho tiempo y puede estar sujeto a variaciones entre observadores.
¿Qué propone este nuevo estudio?
El equipo investigador ha desarrollado un modelo computacional avanzado basado en redes neuronales profundas —una rama de la inteligencia artificial— que automatiza este proceso con un nivel de precisión sorprendente.
Concretamente, el estudio combina dos herramientas muy potentes:
U-Net, una arquitectura diseñada específicamente para segmentación de imágenes médicas.
EfficientNetB4, un sistema que mejora la capacidad de la red para extraer detalles y patrones complejos.
A esto se añade un mecanismo de atención multiescala, que permite al sistema centrarse en las zonas más relevantes de cada imagen y adaptar su análisis a tumores de distintos tamaños, formas y texturas. Es como si el modelo “supiera” dónde mirar con más atención.
¿Qué resultados han obtenido?
Probado con más de 3.000 resonancias magnéticas públicas del Figshare Brain Tumor Dataset, el modelo alcanzó un índice de precisión (Dice Coefficient) del 93,39% y una intersección sobre la unión (IoU) del 87,95%, superando a otras soluciones existentes.
Además, el modelo es más rápido y requiere menos recursos computacionales que otras propuestas, lo que lo convierte en un candidato ideal para su implementación en hospitales y clínicas, incluso aquellas con recursos más limitados.
¿Por qué es importante?
Este tipo de avances no solo aceleran el trabajo de los profesionales médicos, sino que también aumentan la precisión del diagnóstico y pueden mejorar directamente la calidad de vida de los pacientes. Cuanto antes y mejor se detecta un tumor, mejores son las posibilidades de tratamiento.
Además, al ser una herramienta escalable y automatizada, podría ser útil en hospitales de todo el mundo, ayudando a reducir desigualdades en el acceso a diagnósticos precisos.
Fuente:
J S, Nisha. Brain tumor segmentation using multi-scale attention U-Net with EfficientNetB4 encoder for enhanced MRI analysis. Scientific Reports. 2025 Mar 22. DOI: 10.1038/s41598-023-50505-6