Genseg mejora el rendimiento de la generalización en dominio y fuera del dominio en una variedad de tareas de segmentación que cubren diversas enfermedades, órganos y modalidades de imágenes. Crédito: Nature Communications (2025). Doi: 10.1038/s41467-025-61754-6
Una nueva herramienta de inteligencia artificial (IA) podría hacer que sea mucho más fácil, y más barato, para los médicos e investigadores capacitar al software de imágenes médicas, incluso cuando solo hay un pequeño número de exploraciones de pacientes disponibles.
La herramienta AI mejora en un proceso llamado segmentación de imágenes médicas, donde cada píxel en una imagen está etiquetado en función de lo que representa: tejido canceroso o normal, por ejemplo. Este proceso a menudo es realizado por un experto altamente capacitado, y el aprendizaje profundo ha demostrado ser prometedor para automatizar esta tarea laboral intensiva.
El gran desafío es que los métodos basados en el aprendizaje profundo son hambrientos de datos: requieren una gran cantidad de imágenes anotadas píxel por píxel para aprender, explicó Li Zhang, un doctorado. Estudiante del Departamento de Ingeniería Eléctrica e Informática de la Universidad de California en San Diego. La creación de tales conjuntos de datos exige mano de obra, tiempo y costo expertos. Y para muchas afecciones médicas y entornos clínicos, ese nivel de datos simplemente no existe.
Para superar esta limitación, Zhang y un equipo de investigadores dirigidos por el profesor de ingeniería eléctrica e informática de UC San Diego, Pengtao Xie, han desarrollado una herramienta de IA que puede aprender la segmentación de imágenes de un pequeño número de muestras marcadas con expertos. Al hacerlo, reduce la cantidad de datos que generalmente requieren hasta 20 veces. Potencialmente podría conducir a herramientas de diagnóstico más rápidas y asequibles, especialmente en hospitales y clínicas con recursos limitados.
El trabajo se publica en Comunicaciones de la naturaleza.
“Este proyecto nació de la necesidad de romper este cuello de botella y hacer que las herramientas de segmentación poderosas sean más prácticas y accesibles, especialmente para los escenarios donde los datos son escasos”, dijo Zhang, quien es el primer autor del estudio.
Marco de generación de datos de extremo a extremo propuesto para mejorar la segmentación de imágenes médicas en regímenes de datos ultra bajos. Crédito: Nature Communications (2025). Doi: 10.1038/s41467-025-61754-6
La herramienta AI se probó en una variedad de tareas de segmentación de imágenes médicas. Aprendió a identificar lesiones cutáneas en imágenes de dermoscopia; cáncer de mama en escaneos de ultrasonido; vasos placentarios en imágenes fetoscópicas; pólipos en imágenes de colonoscopia; y úlceras de pie en fotos de cámara estándar, solo para enumerar varios ejemplos. El método también se extendió a imágenes 3D, como las utilizadas para mapear el hipocampo o el hígado.
En la configuración donde los datos anotados eran extremadamente limitados, la herramienta AI aumentó el rendimiento del modelo en un 10 a 20% en comparación con los enfoques existentes. Se requería 8 a 20 veces menos datos de entrenamiento del mundo real que los métodos estándar, al tiempo que los coinciden o superan los superarlos.
Zhang describió cómo esta herramienta de IA podría usarse potencialmente para ayudar a los dermatólogos a diagnosticar el cáncer de piel. En lugar de reunir y etiquetar miles de imágenes, un experto capacitado en la clínica podría solo necesitar anotar 40, por ejemplo. La herramienta AI podría usar este pequeño conjunto de datos para identificar lesiones sospechosas de las imágenes de dermoscopia de un paciente en tiempo real. “Podría ayudar a los médicos a hacer un diagnóstico más rápido y preciso”, dijo Zhang.
El sistema funciona en etapas. Primero, aprende cómo generar imágenes sintéticas a partir de máscaras de segmentación, que son esencialmente superposiciones codificadas por colores que dicen un algoritmo que partes de una imagen son, por ejemplo, saludables o enfermas. Luego, utiliza ese conocimiento para crear nuevos pares de máscas de imágenes artificiales para aumentar un pequeño conjunto de datos de ejemplos reales. Un modelo de segmentación está entrenado utilizando ambos. A través de un ciclo de retroalimentación continua, el sistema refina las imágenes que crea en función de qué tan bien mejoran el aprendizaje del modelo.
El bucle de retroalimentación es una gran parte de lo que hace que este sistema funcione tan bien, señaló Zhang. “En lugar de tratar la formación del modelo de generación de datos y segmentación como dos tareas separadas, este sistema es el primero en integrarlos juntos. El rendimiento de la segmentación en sí guía el proceso de generación de datos. Esto garantiza que los datos sintéticos no solo sean realistas, sino que también se adapten específicamente a mejorar las capacidades de segmentación del modelo”.
Mirando hacia el futuro, el equipo planea hacer que su herramienta de IA sea más inteligente y versátil. Los investigadores también planean incorporar comentarios de los médicos directamente al proceso de capacitación para hacer que los datos generados sean más relevantes para el uso médico del mundo real.
Más información: Li Zhang et al, AI generativo permite la segmentación de imágenes médicas en regímenes de datos ultra bajos, comunicaciones de la naturaleza (2025). Dos: 10.1038/s41467-025-61754-6
Proporcionado por la Universidad de California – San Diego
Cita: Nueva herramienta AI aprende a leer imágenes médicas con muchos menos datos (2025, 1 de agosto) Recuperada el 1 de agosto de 2025 de https://techxplore.com/news/2025-08-ai-tool-medical-images.html
Este documento está sujeto a derechos de autor. Además de cualquier trato justo con el propósito de estudio o investigación privada, no se puede reproducir ninguna parte sin el permiso por escrito. El contenido se proporciona solo para fines de información.
