Una red neuronal delimita el corazón en resonancias con un 95,7 % de acierto

Qué se ha descubierto¶

Un equipo internacional ha creado un nuevo programa de inteligencia artificial que delimita las partes del corazón en resonancias magnéticas. Se trata de una red neuronal llamada H-MayoMamba Net, un tipo de sistema que aprende patrones a partir de muchos ejemplos. En las pruebas, la herramienta identificó las zonas del corazón con un acierto del 95,7 %. El trabajo se publicó en la revista Scientific Reports, del grupo Nature.

La herramienta distingue tres zonas clave del corazón: el ventrículo izquierdo (la cavidad que bombea la sangre al cuerpo), el ventrículo derecho (la que envía la sangre a los pulmones) y el miocardio (el músculo que envuelve los ventrículos y los hace contraerse). En las pruebas, el acierto fue del 95,7 % para el ventrículo izquierdo, del 95,7 % para el derecho y del 92,1 % para el miocardio.

Cuando los investigadores entrenaron la red con un conjunto de imágenes y la probaron con otro distinto, los resultados se mantuvieron. Esto sugiere que el algoritmo aprende patrones que se mantienen al cambiar de imágenes. En otras palabras, no se queda solo en los datos del entrenamiento, sino que es capaz de funcionar bien con imágenes nuevas, lo que se conoce como generalización.

Cómo se hizo el estudio¶

El equipo está formado por autores de la Universidad de Shaoyang y la Universidad del Noreste, en China, junto con la Universidad Abierta Allama Iqbal, en Pakistán.

En lugar de reclutar pacientes nuevos, los autores trabajaron con bases de datos públicas ya existentes. La principal fue ACDC, un conjunto muy usado de resonancias cardíacas para entrenar y comparar algoritmos. También usaron el conjunto M&M, con imágenes recogidas en varios hospitales europeos.

Sobre esas imágenes entrenaron y evaluaron la nueva red, basada en la arquitectura Mamba. Se trata de un tipo de red neuronal reciente, pensada para procesar información paso a paso con buena memoria de lo ya visto. En este caso, la red se organiza en niveles: empieza por detalles muy cercanos, pasa a zonas más amplias del corazón, después a la imagen completa y termina por incorporar el contexto clínico.

Una ayuda de inicio doctoral (referencia 25KYQD174) y el programa de innovación científica y tecnológica de la provincia china de Hunan (2026RC9049) financiaron el trabajo. El artículo se publica en abierto bajo una licencia Creative Commons.

Qué significa y qué no¶

Si los resultados se confirman, esta clase de algoritmos puede ayudar a los especialistas a medir el corazón de forma más rápida y uniforme. Hoy, parte de ese trabajo se hace a mano o con programas semiautomáticos que dependen mucho del operador.

Eso sí, se trata de un prototipo de investigación. Los números altos de acierto son sobre imágenes de prueba, no sobre el uso real en consultas. Antes de que una herramienta así llegue a un hospital necesita comprobarse con miles de pacientes reales, equipos distintos y en manos de cardiólogos y radiólogos que validen sus medidas.

También hay que recordar que un buen «troceado» de la imagen no es lo mismo que un diagnóstico. Para saber si una persona tiene una cardiopatía hay que integrar medidas, historia clínica y exploración. La inteligencia artificial puede facilitar esa parte, pero no la sustituye.

Contexto¶

La segmentación cardíaca automática, es decir, el proceso de dibujar de forma automática las distintas partes del corazón en una imagen médica, no es nueva. Existen redes clásicas que ya funcionan bien en investigación, como las basadas en U-Net (un tipo de arquitectura muy popular para segmentar imágenes médicas). También hay otras más recientes, llamadas Transformers, que se aplican también a imágenes médicas.

El interés de este trabajo está en usar la arquitectura Mamba, pensada originalmente para secuencias de texto, y adaptarla a imágenes. La idea es que pueda «leer» la resonancia capa a capa, del detalle fino a la estructura global, sin perder de vista lo que ya ha procesado.

En cardiología, una segmentación fiable es la base para medir volúmenes, grosor de paredes o cómo se contrae el músculo. Esas cifras se usan después para diagnosticar insuficiencias, infartos antiguos o miocardiopatías.

Qué falta por saber¶

Faltan pruebas en hospitales reales, con equipos y poblaciones distintas a las del entrenamiento.

También hace falta ver cómo se comporta el algoritmo en imágenes con marcapasos, prótesis o mala calidad.

Y queda pendiente compararlo de forma directa con otras redes en uso, para saber si aporta algo nuevo más allá de los números publicados.