Enseñar simetría a la IA para mejorar el diagnóstico prenatal por MRI

El problema: movimiento fetal y resonancias insuficientes

El desarrollo fetal es un proceso complejo y vulnerable a alteraciones genéticas y ambientales. Detección temprana de anomalías cerebrales exige imágenes de alta calidad, pero el movimiento del feto durante una resonancia magnética (MRI) complica la adquisición. En una MRI fetal se toman muchas “rebanadas” 2D que, apiladas, forman una imagen volumétrica 3D. Si la cabeza del feto se desplaza, cada rebanada puede venir de un ángulo distinto, generando huecos y orientaciones inusuales que dificultan la interpretación clínica.

Los vacíos en la cobertura y las rebanadas mal alineadas pueden esconder detalles finos del cerebro que son clave para diagnosticar malformaciones en etapas tempranas del desarrollo. La consecuencia directa es que los médicos podrían pasar por alto una patología o, peor aún, emitir un diagnóstico equivocado.

E(3)-Pose: incorporar física y simetría en la red

Para abordar ese desafío, un equipo del MIT, Boston Children’s Hospital y Inria creó E(3)-Pose, un modelo de aprendizaje profundo diseñado específicamente para rastrear el movimiento de la cabeza fetal y mejorar la reconstrucción volumétrica. Lo distintivo de este enfoque no es solo entrenar una red con datos, sino integrar principios físicos dentro de su arquitectura.

En particular, E(3)-Pose incorpora la simetría izquierda-derecha del cráneo fetal en el diseño del modelo. Al “bakear” (embutir) esa propiedad geométrica en la arquitectura, la red no tiene que aprender desde cero ese aspecto del mundo físico; ya parte con una restricción estructural que facilita identificar la orientación del cerebro aunque las rebanadas estén desordenadas.

Los autores resumen la idea con un enfoque geométrico: usar conceptos como equivarianza y simetría junto con la potencia del aprendizaje profundo para cambiar cómo los escáneres adquieren imágenes y permitir a los médicos detectar problemas de forma más temprana y fiable.

Trabajo de laboratorio y desafíos en el escáner

Ramya Muthukrishnan —primera autora y estudiante de doctorado en el laboratorio de Polina Golland en MIT— cuenta que, al comenzar el proyecto, no tenía experiencia en física ni en la operación de un escáner MRI. Pasar del entrenamiento de modelos en GPU a implementarlos en el hardware del escáner implicó retos prácticos y múltiples fallos en la máquina durante el desarrollo.

La colaboración clínica fue clave: Borjan Gagoski, de Harvard Medical School y Boston Children’s, desarrolló una secuencia de adquisición adicional que facilitó el entrenamiento de E(3)-Pose y ayudó a resolver problemas cada vez que el escáner fallaba. Aryn Lee, investigadora asistente en Boston Children’s, reclutó a las voluntarias embarazadas y asistió en la captura de las MRI necesarias para el proyecto.

Muthukrishnan recuerda la frustración compartida entre madres y radiólogos: pacientes que abandonan una MRI por incomodidad tras una hora dentro del escáner, y radiólogos que se quedan sin imágenes completas y de calidad para evaluar el desarrollo fetal. Esa experiencia motivó el enfoque práctico del trabajo.

Impacto clínico y beneficios para la atención prenatal

Según los investigadores, automatizar el proceso con E(3)-Pose puede reemplazar procedimientos manuales lentos, hacer las exploraciones más rápidas y menos incómodas para las madres, y entregar imágenes más coherentes para que los radiólogos las interpreten. Para radiología fetal, esto significa mayor probabilidad de detectar anomalías en regiones críticas del cerebro que de otro modo podrían pasar desapercibidas.

Además, la robustez del método frente al movimiento podría reducir la necesidad de repeticiones de examen, ahorrar tiempo clínico y optimizar el uso de recursos en centros con alta demanda.

Relevancia para América Latina

En América Latina, donde la disponibilidad de equipos avanzados de imagen y los tiempos de espera pueden variar considerablemente entre regiones y sistemas de salud, una solución que reduzca el tiempo de escaneo y mejore la calidad de la imagen puede tener un impacto práctico importante. Menos reintentos y exploraciones más breves facilitan la logística en hospitales con alta carga de pacientes y pueden mejorar la experiencia de las gestantes.

Además, herramientas que aumenten la fiabilidad diagnóstica ayudan a priorizar derivaciones y tratamientos en entornos con recursos limitados. La integración de modelos como E(3)-Pose en flujos clínicos regionales requerirá entrenamiento local, validación y adaptaciones a las prácticas clínicas existentes, pero la promesa es clara: diagnósticos más tempranos y mejor dirigidos.

Extensiones y limitaciones actuales

Aunque el trabajo se centró principalmente en fetos del tercer trimestre, los autores reconocen la importancia de ampliar el método a fetos del segundo trimestre y más jóvenes. Estos últimos se mueven con mayor libertad por tener más espacio en el útero, lo que aumenta la dificultad de adquisición y hace que la detección temprana sea aún más crítica desde la perspectiva clínica.

Los creadores de E(3)-Pose también señalan que la técnica podría aplicarse más allá de la MRI fetal: anatomías difíciles de imagenar o dominios donde sensores limitados deben reconstruir objetos 3D a partir de datos ruidosos podrían beneficiarse. Incluso se menciona su potencial en escenarios como la conducción autónoma, donde la captura y el seguimiento de objetos 3D bajo ruido y movimiento es crucial.

Equipo y presentación académica

El trabajo fue desarrollado en colaboración entre investigadores del MIT Abdul Latif Jameel Clinic for Machine Learning in Health (Jameel Clinic), el MIT Computer Science and Artificial Intelligence Laboratory (CSAIL), Boston Children’s Hospital e Inria. Polina Golland supervisó el proyecto; otros contribuyentes clave incluyen a Elfar Adalsteinsson, Ellen Grant y Benjamin Billot.

El estudio fue presentado en la conferencia European Conference on Computer Vision (ECCV) 2026, lo que subraya su aporte técnico tanto en visión computacional como en imagen médica. El proyecto contó con el apoyo del MIT Jameel Clinic.

Qué sigue

Los investigadores continuarán refinando E(3)-Pose para hacerlo más efectivo con fetos más jóvenes y en condiciones de movimiento más severo. También deberán validar su desempeño en entornos clínicos más amplios y estudiar la incorporación del método en flujos de trabajo hospitalarios reales.

Para América Latina y otras regiones con limitaciones en acceso a tecnología, la promesa de escaneos más breves, menos reintentos y mejores imágenes diagnósticas representa una oportunidad para mejorar la atención prenatal. La transición desde el laboratorio al hospital requerirá colaboración entre ingenieros, radiólogos y responsables de salud, pero E(3)-Pose marca un paso importante hacia resonancias fetales más fiables y practicables.