Investigadores desarrollaron EVA-X, un sistema de aprendizaje autosupervisado que mejora la detección, segmentación y localización de patologías torácicas en más de 20 condiciones clínicas.
Un equipo de investigadores de la Universidad de Ciencia y Tecnología de Huazhong en China, en colaboración con instituciones de Canadá, presentó EVA-X, un modelo fundacional desarrollado para el análisis general de radiografías de tórax. El sistema, descrito en npj Digital Medicine, utiliza técnicas de aprendizaje autosupervisado que le permiten entrenarse con imágenes sin etiquetar, reduciendo la dependencia de anotaciones clínicas y ampliando su capacidad de generalización.
Las radiografías de tórax representan cerca del 40% de los estudios de imagen realizados en el mundo, y son esenciales para detectar infecciones, enfermedades pulmonares, anomalías cardíacas y otras condiciones. Sin embargo, los modelos de inteligencia artificial (IA) actuales suelen requerir grandes volúmenes de datos etiquetados y están diseñados para tareas específicas, lo que limita que puedan adoptarse en entornos clínicos diversos.
EVA-X fue entrenado con más de 520 mil imágenes de ocho bases públicas, todas sin anotaciones. Su diseño combina dos estrategias ampliamente utilizadas en visión por computadora: aprendizaje contrastivo y modelado de imágenes enmascaradas, lo que le permite captar simultáneamente la información semántica y geométrica presente en las radiografías.
El estudio detalla el desarrollo de tres versiones del modelo: EVA-X-Ti, EVA-X-S y EVA-X-B, todos con distintos niveles de complejidad. Incluso en su versión más pequeña, EVA-X mostró un equilibrio competitivo entre desempeño y eficiencia computacional, una característica relevante para su implementación en hospitales con recursos limitados.
El modelo fue evaluado en 11 tareas diferentes de análisis radiológico, incluyendo clasificación de patologías, segmentación de lesiones y localización de anomalías. En todos los casos, EVA-X superó a modelos previamente entrenados con métodos supervisados y autosupervisados.
Por ejemplo, en la detección de COVID-19, EVA-X alcanzó hasta 99.8% de área bajo la curva (AUC) en bases públicas. Además, el modelo mostró una alta capacidad de aprendizaje con muy pocos datos etiquetados: con solo 1% del conjunto de entrenamiento, logró un 95% de precisión en uno de los conjuntos evaluados.
Además, los investigadores también probaron EVA-X en tareas de segmentación de pulmones y enfermedades como neumonía, neumotórax y tuberculosis. El modelo registró mejoras en métricas como Dice y Jaccard respecto a métodos previos.
Para evaluar la interpretabilidad del sistema, los autores utilizaron mapas de activación por gradiente o Grad-CAM. EVA-X obtuvo los puntajes más altos en intersección sobre unión y precisión promedio en la localización aproximada de lesiones, lo que indica una mayor concordancia con las zonas de interés anotadas por especialistas.
El modelo fue probado también en un conjunto de 10 mil radiografías provenientes de 14 hospitales en China, donde logró una AUC promedio de 0.8645, superando nuevamente a modelos recientes de referencia.
Los autores destacar que EVA-X podría convertirse en un modelo fundacional para el análisis de radiografías, al facilitar diagnósticos más rápidos y precisos sin requerir grandes volúmenes de anotaciones. No obstante, también reconocen la necesidad de validaciones clínicas adicionales, especialmente considerando la diversidad demográfica y epidemiológica de los datos reales.
