Un estudio del grupo BDSLab del Instituto Itaca de la Universitat Politècnica de València destaca la importancia de personalizar las tecnologías de inteligencia artificial (IA) para optimizar el tratamiento y segmentación de glioblastomas, uno de los tumores cerebrales más agresivos.

Importancia de la Segmentación en Tumores Cerebrales

Publicado en el International Journal of Medical Informatics, el estudio, liderado por Juan M. García y Elies Fuster, revela que la resonancia magnética ha transformado el diagnóstico y tratamiento de tumores cerebrales, facilitando el acceso a información crucial para las intervenciones quirúrgicas. Sin embargo, la segmentación manual de imágenes puede ser compleja y propensa a errores, lo que subraya la necesidad de modelos automáticos precisos.

Ventajas de los Modelos Personalizados

Los avances en el aprendizaje profundo, particularmente las redes neuronales convolucionales (CNN), han permitido desarrollar modelos automáticos que segmentan los tumores de manera rápida y precisa. La investigación analizó cómo la variabilidad de los datos entre diferentes centros médicos, conocida como ‘dataset shift’, puede afectar la precisión de estos modelos.

F. Javier Gil-Terrón, autor principal del estudio, explica que “los modelos personalizados abordan las características únicas de cada centro, lo que es esencial en la segmentación de tumores cerebrales, donde la precisión diagnóstica influye en las decisiones terapéuticas”.

Adaptación a la Realidad de Cada Centro Médico

El estudio utilizó el conjunto de datos BraTS 2021, que incluye más de 1.200 casos de 23 centros médicos. Se desarrollaron y compararon 155 modelos basados en redes neuronales convolucionales para evaluar su desempeño. “La personalización optimiza el rendimiento y permite a los centros de salud beneficiarse de herramientas más confiables”, añade Gil-Terrón.

Los investigadores concluyen que la inteligencia artificial debe ser vista como una herramienta flexible y adaptable, ajustada a las necesidades específicas de cada entorno clínico. Adaptar los modelos a la realidad de cada centro no solo mejora la precisión, sino que también facilita su implementación y aceptación por parte de los profesionales de la salud.