Investigadores del MIT, Boston Children's Hospital e Inria incorporaron la simetría de la cabeza fetal en la arquitectura del modelo E(3)-Pose, que según sus autores podría facilitar diagnósticos más tempranos y exámenes más cómodos para las embarazadas.
Un equipo del MIT, Boston Children’s Hospital e Inria desarrolló E(3)-Pose, un modelo de aprendizaje profundo o deep learning que ayuda a captar imágenes de la cabeza del feto mientras este se mueve, con el fin de obtener una imagen de alta resolución que el radiólogo pueda examinar. De acuerdo con MIT, el trabajo se presentó en la Conferencia Europea sobre Visión por Computadora de 2026 y busca apoyar la detección y el tratamiento tempranos de anomalías en el desarrollo del cerebro.
El desarrollo del feto es un proceso complejo y vulnerable a alteraciones genéticas, ambientales y metabólicas, y el cerebro es uno de los primeros órganos en formarse y sigue desarrollándose después del nacimiento. En un ultrasonido prenatal de rutina, el sonografista puede detectar posibles anomalías cerebrales y enviar a la paciente a una resonancia magnética adicional. Sin embargo, según el comunicado, una imagen imperfecta puede provocar diagnósticos omitidos o incorrectos.
Una resonancia fetal se construye con una serie de imágenes en 2D, llamadas cortes, que apiladas forman una imagen tridimensional de la cabeza del feto. Si la cabeza se mueve durante el estudio, cada corte puede tomarse desde un ángulo distinto, lo que deja huecos en el escaneo y orientaciones inusuales que podrían llevar al médico a pasar por alto o diagnosticar mal una patología.
“Uno de los problemas de que el bebé se mueva es que los cortes quedan por todos lados. Hay detalles muy finos para los que se necesita una muy buena imagen volumétrica del cerebro. Si hay huecos de cobertura, no se pueden ver regiones críticas, y es necesario poder ver bien para detectar un desarrollo anormal”, Ramya Muthukrishnan, doctoranda del MIT en el laboratorio de la profesora Polina Golland y primera autora del estudio.
Según el MIT, lo que hace al modelo especialmente bueno para seguir el movimiento fetal es su enfoque en la física. En lugar de entrenarlo solo para que aprenda esas reglas a partir de los datos, los principios físicos se integraron en la propia red neuronal: la simetría izquierda-derecha de la cabeza fetal está incorporada en la arquitectura del modelo, lo que facilita que identifique con precisión la orientación del cerebro. El comunicado indica que el modelo ajusta los escaneos sobre la marcha para seguir el movimiento.
Muthukrishnan empezó el proyecto sin conocimientos de física, y menos de física de la resonancia magnética, pues su experiencia era sobre todo en ciencias de la computación:
“No estaba preparada para cuántas veces haría fallar el escáner, porque poner cosas en el hardware y hacer que funcionen ahí es una bestia distinta a entrenar un modelo para que corra con datos en una GPU”.
Al inicio de su doctorado acompañó a un radiólogo que realizaba resonancias fetales en Boston Children’s Hospital y observó la frustración compartida entre paciente y médico: la madre se sentía incómoda tras una hora dentro del equipo y terminaba abandonando el estudio a la mitad, y el radiólogo no lograba obtener una imagen completa y de buena calidad para vigilar el desarrollo del feto.
“El trabajo de Ramya combina con elegancia conceptos geométricos como la equivarianza y la simetría con el poder del aprendizaje profundo para cambiar la forma en que los equipos de resonancia magnética adquieren las imágenes y, en última instancia, ayudar a los médicos a detectar y tratar problemas en una etapa temprana del desarrollo. Es un proyecto de investigación impresionante, profundo y fundamental en cómo modela la adquisición de imágenes, con un claro impacto clínico”, afirma Golland Grant, directora del Fetal Neonatal Neuroimaging and Developmental Science Center (FNNDSC) de Boston Children’s.
De esta manera, el trabajo automatizará la resonancia magnética cerebral fetal, reemplazando el lento proceso manual actual con escaneos más rápidos y cómodos para las madres, y al mismo tiempo proporcionará imágenes de mayor calidad para que los radiólogos las interpreten.
Los investigadores plantean que las aplicaciones de E(3)-Pose podrían ir más allá del seguimiento del movimiento en resonancias fetales, por ejemplo en la obtención de imágenes de otras estructuras anatómicas difíciles de captar e incluso en la conducción autónoma, donde sensores limitados deben registrar datos tridimensionales con ruido para seguir objetos en 3D. Por ahora, Muthukrishnan busca mejorar el modelo para que sirva también con fetos del segundo trimestre o de menor edad gestacional, pues fue entrenado principalmente con fetos del tercer trimestre, que son más pequeños y tienen mayor movimiento por el espacio en el útero.
