Investigadores del MIT desarrollaron una herramienta de aprendizaje automático que modela fetos en 3D, mejorando la detección de anomalías y diagnósticos médicos durante el embarazo.
Los ultrasonidos son un procedimiento esencial para las mujeres embarazadas, proporcionando información valiosa sobre el desarrollo fetal. Estos exámenes suelen ofrecer imágenes en dos dimensiones que permiten a los médicos identificar aspectos cruciales como el sexo biológico, el tamaño aproximado del feto y posibles anomalías, como problemas cardíacos o labio leporino. Para obtener una visión más detallada, algunos profesionales recurren a la resonancia magnética (RM), que utiliza campos magnéticos para generar imágenes que pueden combinarse y crear una representación tridimensional del feto.
No obstante, las resonancias magnéticas presentan sus propios desafíos, ya que interpretar estas imágenes 3D puede resultar complicado para los médicos. Esto se debe a que nuestro sistema visual no está diseñado para procesar escaneos volumétricos en tres dimensiones, lo cual complica el diagnóstico de problemas. Aquí es donde entra en juego el aprendizaje automático, ofreciendo la posibilidad de modelar el desarrollo fetal con mayor claridad y precisión a partir de datos, aunque hasta ahora ningún algoritmo había logrado representar adecuadamente los movimientos aleatorios y las variadas formas corporales de los fetos.
Recientemente, investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (CSAIL), junto con el Hospital Infantil de Boston (BCH) y la Escuela de Medicina de Harvard, han desarrollado una innovadora herramienta denominada “Fetal SMPL”. Este enfoque se basa en un modelo 3D conocido como “SMPL” (Skinned Multi-Person Linear model), originalmente creado para capturar las formas y poses del cuerpo humano adulto, adaptándolo para representar con precisión las características corporales y posturas fetales. Fetal SMPL fue entrenado utilizando 20,000 volúmenes de RM para predecir la ubicación y tamaño del feto, generando representaciones tridimensionales similares a esculturas.
El modelo incluye un esqueleto con 23 articulaciones móviles llamado “árbol cinemático”, que permite al sistema imitar los movimientos observados durante su fase de entrenamiento. Gracias a los extensos escaneos reales utilizados en su formación, Fetal SMPL ha alcanzado una precisión notable. Por ejemplo, se puede comparar con entrar en la huella de un extraño mientras se está vendado; no solo encaja perfectamente, sino que también se puede adivinar correctamente qué tipo de zapato usaba esa persona. De manera similar, esta herramienta logra coincidir estrechamente con la posición y tamaño de los fetos en imágenes de RM que no había visto previamente.
La herramienta presenta un margen de error promedio de solo 3.1 milímetros, menor que el tamaño de un grano de arroz. Esta capacidad podría permitir a los médicos medir con precisión dimensiones como el tamaño de la cabeza o abdomen del bebé y comparar estos datos con fetos sanos de la misma edad gestacional. En pruebas iniciales realizadas por el equipo investigador, Fetal SMPL demostró su potencial clínico al lograr resultados alineados con gran exactitud en un pequeño grupo de escaneos reales.
“Estimar la forma y postura de un feto puede ser complicado debido al espacio reducido dentro del útero”, explica Yingcheng Liu, estudiante de doctorado en MIT y autor principal del estudio. “Nuestro enfoque supera este desafío mediante un sistema interconectado bajo la superficie del modelo 3D, representando realísticamente el cuerpo fetal y sus movimientos.” Liu añade que se emplea un algoritmo específico para hacer predicciones alternando entre suposiciones sobre pose y forma hasta encontrar una estimación confiable.
Fetal SMPL fue evaluado en términos de precisión contra un sistema conocido como “SMIL”, diseñado para modelar el crecimiento infantil. Dado que los bebés fuera del útero son más grandes que los fetos, los investigadores ajustaron esos modelos reduciéndolos en un 75% para facilitar comparaciones justas.
El nuevo sistema superó este estándar al recrear escaneos reales con mayor precisión durante pruebas realizadas en el Hospital Infantil de Boston sobre fetos entre las semanas 24 y 37 de gestación. Además, mostró eficiencia al necesitar solo tres iteraciones para alcanzar una alineación razonable.
A pesar del éxito inicial, Liu advierte que su modelo actual solo analiza lo visible en la superficie del feto; debajo solo hay estructuras óseas representadas. Para mejorar el monitoreo interno del desarrollo fetal —como hígado, pulmones y músculos— planean hacer su herramienta volumétrica para modelar la anatomía interna desde escaneos. Estas mejoras harían que los modelos sean más humanos; sin embargo, Fetal SMPL ya representa un avance significativo en el análisis tridimensional de la salud fetal.
Kiho Im, profesor asociado en medicina pediátrica en Harvard Medical School y científico del BCH, destaca: “Este estudio introduce un método específicamente diseñado para RM fetal que captura eficazmente los movimientos fetales”. Im también menciona cómo esta metodología mejorará no solo la utilidad diagnóstica de las RM fetales sino también proporcionará información sobre el desarrollo funcional temprano del cerebro fetal relacionado con sus movimientos corporales.
Sergi Pujades, profesor asociado en University Grenoble Alpes y ajeno al proyecto, considera este trabajo como un hito pionero al extender modelos paramétricos humanos hacia las primeras formas vitales: los fetos. Esto permitirá investigar cómo evolucionan forma y movimiento humano a lo largo del tiempo bajo diversas condiciones.
Liu colaboró en este trabajo junto a otros miembros del CSAIL: Peiqi Wang, estudiante doctoral; Sebastian Diaz, también estudiante doctoral; y Polina Golland, profesora titular. El trabajo contó con apoyo parcial por parte de los Institutos Nacionales de Salud y el Programa CSAIL-Wistron del MIT. Los investigadores presentarán sus hallazgos en la Conferencia Internacional sobre Computación Médica e Intervención Asistida por Computadora (MICCAI) programada para septiembre.