El uso de Inteligencia Artificial logra reducir errores en pruebas médicas como resonancias o tomografías
Un equipo del Instituto de Investigación Biomédica de Málaga (Ibima) ha conseguido optimizar la segmentación automática de imágenes médicas
Más allá del avance técnico, el estudio podría tener un impacto directo en la práctica médica
Un equipo del Instituto de Investigación Biomédica de Málaga (Ibima) ha conseguido optimizar de forma significativa la segmentación automática de imágenes médicas, logrando reducir los errores en pruebas complejas como resonancias magnéticas o tomografías gracias al uso de inteligencia artificial de última generación.
La segmentación médica permite identificar con precisión estructuras anatómicas o lesiones en las imágenes, y aunque se trata de una tarea esencial para el diagnóstico y tratamiento de numerosas enfermedades, resulta especialmente compleja debido a la variabilidad y calidad de las capturas, ha indicado el Ibima en un comunicado.
Una técnica más precisa, adaptable y con menor margen de error
Para lograr este avance, los investigadores han combinado el modelo de IA MedSAM con una técnica llamada Test-Time Augmentation (TTA), que aplica ligeras transformaciones a las imágenes justo en el momento del análisis. Esta combinación hace que el sistema sea más robusto frente a cambios inesperados y mejora la detección de contornos.
La precisión en la segmentación de imágenes médicas "es fundamental para mejorar los diagnósticos y tratamientos”, ha explicado Ezequiel López Rubio, autor principal del estudio.
“Nuestro enfoque demuestra que es posible optimizar la fiabilidad de los modelos de IA aplicando técnicas de aumento en tiempo de prueba, lo que abre nuevas posibilidades en el campo de la imagen médica computacional”, ha añadido.
Entre los resultados más destacados, los investigadores señalan que el uso conjunto de MedSAM y TTA supera ampliamente a métodos convencionales, mejorando la segmentación incluso en imágenes de baja calidad o con ruido, habituales en el entorno clínico. Además, esta solución es versátil, ya que puede adaptarse a diferentes tipos de imagen médica, facilitando su aplicación en hospitales.
Un paso hacia la integración clínica
Más allá del avance técnico, el estudio podría tener un impacto directo en la práctica médica. “Esta mejora en la segmentación automática podría tener un impacto significativo en la práctica médica, reduciendo la carga de trabajo de los radiólogos y asegurando que los algoritmos de IA sean más precisos y confiables en la toma de decisiones clínicas”, ha afirmado Karl Thurnhofer Hemsi, coautor del trabajo.
Wasfieh Nazzal, doctoranda internacional y también autora principal, ha subrayado la motivación detrás del proyecto. “Queríamos abordar la gran variabilidad de las imágenes médicas reales. La técnica TTA simula pequeñas variaciones que ocurren durante la adquisición, mejorando así la precisión sin necesidad de reentrenar los modelos”, ha explicado.
“Uno de los principales retos fue encontrar el equilibrio entre la mejora de precisión y la eficiencia computacional. Lo superamos con un análisis sistemático para ajustar los parámetros según el tipo de imagen”, ha añadido Nazzal.
Este enfoque innovador tiene aplicación en campos como oncología, radiología, planificación quirúrgica o terapias personalizadas. Desde la dirección científica del Ibima se destaca que “el equipo continuará investigando nuevas estrategias para mejorar la interpretación automatizada de imágenes médicas, con el objetivo de desarrollar soluciones eficaces y adaptadas a las necesidades del sistema sanitario”.