Por Canuto  

Un equipo del MIT presentó xvr, una técnica de inteligencia artificial que adapta un modelo a la anatomía de cada paciente para alinear rayos X con escaneos 3D en segundos y con precisión submilimétrica. El sistema podría mejorar la navegación de catéteres, endoscopios y otras herramientas durante procedimientos mínimamente invasivos, aunque sus creadores todavía trabajan para validarlo en escenarios más complejos y llevarlo a aplicaciones clínicas.
***

  • Adaptación individual: xvr ajusta un modelo de IA a cada paciente en aproximadamente cinco minutos.
  • Velocidad y precisión: el sistema alinea imágenes 2D y 3D en segundos, después de generar rayos X sintéticos a una velocidad cercana a 1.000 imágenes por segundo.
  • Próximos pasos: los investigadores buscan acelerar la herramienta, validar su confiabilidad y trabajar con empresas de robótica quirúrgica y grupos clínicos.

Un equipo de investigadores del Instituto Tecnológico de Massachusetts presentó una técnica de inteligencia artificial diseñada para hacer más precisa la navegación durante cirugías mínimamente invasivas. El sistema, llamado xvr, adapta su funcionamiento a la anatomía de cada paciente y puede emparejar rayos X capturados durante la operación con imágenes médicas tridimensionales obtenidas previamente, en cuestión de segundos y con precisión submilimétrica.

La propuesta apunta a un problema habitual en procedimientos que utilizan imágenes de rayos X en tiempo real: esas imágenes muestran el cuerpo en dos dimensiones, aunque los médicos deben dirigir instrumentos dentro de un espacio tridimensional. Según los investigadores, esa limitación puede dificultar la ubicación exacta de catéteres, endoscopios y otras herramientas, lo que aumenta el riesgo de afectar tejidos que no forman parte del objetivo quirúrgico.

Una guía tridimensional para imágenes planas

En intervenciones como la angioplastia, los médicos introducen instrumentos a través de incisiones diminutas y emplean un escáner móvil de rayos X para observar el procedimiento desde distintos ángulos. Para saber dónde se encuentra cada dispositivo respecto de las estructuras anatómicas, necesitan registrar esas imágenes en tiempo real con una tomografía computarizada o una resonancia magnética realizada antes de la operación.

Ese registro puede hacerse manualmente, pero exige que el especialista estime la posición del instrumento, introduzca valores en una computadora o seleccione puntos anatómicos en una pantalla. El equipo del MIT sostiene que el procedimiento demanda tiempo y experiencia, especialmente porque interpretar una imagen granulada en dos dimensiones y convertirla mentalmente en una orientación espacial requiere décadas de entrenamiento.

Los modelos de inteligencia artificial desarrollados para automatizar esa tarea han enfrentado otro obstáculo: la anatomía humana presenta una diversidad demasiado amplia para que un sistema entrenado con ciertos pacientes funcione de manera consistente en todos los demás. La escasez de conjuntos de datos médicos anotados y de alta calidad también complica el desarrollo de una herramienta general que mantenga su precisión en distintas edades, órganos y procedimientos.

En lugar de buscar un único modelo capaz de funcionar igual para toda la población, los investigadores eligieron una estrategia específica para cada paciente. La idea consiste en adaptar el sistema a la información anatómica de la persona que será operada, aunque el modelo resultante no tenga que desempeñarse de la misma forma en otros pacientes.

Un modelo entrenado con física e imágenes sintéticas

xvr utiliza el escaneo tridimensional preoperatorio del paciente, ya sea una tomografía computarizada o una resonancia magnética, para producir miles de rayos X sintéticos desde múltiples ángulos. El sistema genera alrededor de 1.000 imágenes por segundo mediante una simulación basada en la física del proceso radiográfico, con el objetivo de que los datos reproduzcan de forma realista lo que el escáner podría observar durante la intervención.

Vivek Gopalakrishnan, autor principal del trabajo, explicó que el sistema no crea información anatómica desde cero, sino que parte del escaneo específico de la persona. En ese sentido, los investigadores sostienen que la simulación física reduce el espacio para las llamadas alucinaciones, un riesgo asociado con sistemas que generan resultados sin una referencia directa en los datos originales.

Un modelo entrenado desde cero con la información de un solo paciente podría alcanzar una precisión elevada, pero requeriría cerca de 12 horas de entrenamiento. Ese plazo impediría utilizarlo en una emergencia, por lo que el equipo empleó los datos sintéticos para preentrenar un modelo fundacional capaz de ajustarse rápidamente cuando recibe la información de un nuevo paciente.

Para construir ese modelo fundacional, xvr procesó escaneos médicos tridimensionales de cuerpo completo correspondientes a más de 2.000 pacientes. El conjunto abarcó distintas edades, modalidades de imagen y regiones corporales, lo que permitió entrenar un sistema con una base más amplia antes de adaptarlo durante aproximadamente cinco minutos a la anatomía individual.

Resultados, límites y posible uso clínico

El equipo probó xvr con el mayor conjunto disponible de registros reales entre imágenes bidimensionales y tridimensionales, incorporando datos de cinco hospitales. Las pruebas incluyeron docenas de sistemas óseos y órganos, además de pacientes adultos y pediátricos, y mostraron que el método superó de forma significativa a otros enfoques de inteligencia artificial en precisión y robustez.

De acuerdo con los investigadores, la ventaja llegó a un orden de magnitud frente a métodos de IA existentes en una amplia variedad de pacientes, partes del cuerpo y procedimientos médicos. Además, el tiempo necesario para adaptar el modelo y ejecutar el registro se mantuvo dentro de un rango que podría resultar compatible con cirugías de emergencia, aunque los resultados no equivalen todavía a una autorización para uso clínico rutinario.

Gopalakrishnan señaló que una navegación más precisa podría facilitar el acceso a procedimientos especializados, incluidos aquellos que salvan vidas después de un accidente cerebrovascular. Su argumento se basa en que muchas personas en Estados Unidos viven a más de una hora de un centro capaz de realizar intervenciones no invasivas, y que una reducción en la complejidad de estos procedimientos podría ampliar la cantidad de hospitales preparados para ofrecerlos.

La herramienta también podría mejorar el desempeño de tecnologías de cirugía robótica, al proporcionar una correspondencia más confiable entre lo que observa el sistema de rayos X y la anatomía tridimensional del paciente. Sin embargo, los investigadores todavía deben comprobar su confiabilidad en situaciones adicionales y determinar cómo responde cuando las partes del cuerpo se mueven durante la intervención.

De la investigación a las herramientas médicas

El grupo del MIT busca acelerar xvr para acercarlo a una implementación en tiempo real, además de ampliar las pruebas a escenarios quirúrgicos más complejos. También pretende evaluar de manera más extensa la robustez del método, un paso necesario antes de confiar en sus resultados para orientar instrumentos dentro del cuerpo durante procedimientos de alto riesgo.

Durante los últimos dos años, el equipo desarrolló y validó el algoritmo, según explicó Gopalakrishnan. Ahora colabora con empresas de robótica quirúrgica y grupos clínicos para transformar la investigación en herramientas de navegación o implementación, aunque la información disponible no establece un calendario para su llegada a hospitales.

Polina Golland, profesora Sunlin y Priscilla Chou de Ingeniería Eléctrica y Ciencias de la Computación, investigadora principal del Laboratorio de Ciencias de la Computación e Inteligencia Artificial y líder del Medical Vision Group, figura como coautora principal del trabajo. Neel Dey, antiguo posdoctorado de ese grupo y actualmente investigador de la Facultad de Medicina de Harvard y del Hospital General de Massachusetts, también aparece como coautor principal.

Entre los demás participantes se encuentran David-Dimitris Chlorogiannis, investigador y clínico de la Facultad de Medicina de Harvard; Andrew Abumoussa, neurocirujano del St. Luke’s Marion Bloch Neuroscience Institute; Anna M. Larson, clínica pediátrica del Shriners Children’s Hospital; Nazim Haouchine, profesor asistente de radiología en Harvard y el Brigham and Women’s Hospital; Darren B. Orbach, médico y científico del Boston Children’s Hospital; y Sarah Frisken, profesora asociada de radiología en Harvard.

La investigación fue financiada parcialmente por los Institutos Nacionales de Salud, el programa MIT CSAIL-Wistron, el MIT-IBM Computing Research Lab, el MIT Jameel Clinic, el MIT Health and Life Sciences Collaborative y el Chou Family Transformative Research Fund. El artículo de MIT News, publicado el 16 de septiembre de 2026, presentó el trabajo bajo el título Rapid patient-specific neural networks for X-ray to volume registration, publicado en la revista Nature.

Imagen original de DiarioBitcoin, creada con inteligencia artificial, de uso libre, licenciada bajo Dominio Público.

Este artículo fue escrito por un redactor de contenido de IA y revisado por un editor humano para garantizar calidad y precisión.


ADVERTENCIA: DiarioBitcoin ofrece contenido informativo y educativo sobre diversos temas, incluyendo criptomonedas, IA, tecnología y regulaciones. No brindamos asesoramiento financiero. Las inversiones en criptoactivos son de alto riesgo y pueden no ser adecuadas para todos. Investigue, consulte a un experto y verifique la legislación aplicable antes de invertir. Podría perder todo su capital.

Suscríbete a nuestro boletín

Artículos Relacionados