{"id":67342,"date":"2026-02-10T09:31:49","date_gmt":"2026-02-10T15:31:49","guid":{"rendered":"https:\/\/saluddigital.com\/?p=67342"},"modified":"2026-02-10T09:34:58","modified_gmt":"2026-02-10T15:34:58","slug":"modelo-de-ia-anticipa-edad-cerebral-y-pronostico-del-cancer-a-partir-de-resonancias-magneticas","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/modelo-de-ia-anticipa-edad-cerebral-y-pronostico-del-cancer-a-partir-de-resonancias-magneticas\/","title":{"rendered":"Modelo de IA anticipa edad cerebral y pron\u00f3stico del c\u00e1ncer a partir de resonancias magn\u00e9ticas"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

BrainIAC, desarrollado por investigadores del Mass General Brigham, analiza im\u00e1genes cerebrales sin etiquetar y supera a modelos de IA especializados en m\u00faltiples tareas cl\u00ednicas<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Un equipo de investigadores del Mass General Brigham ha desarrollado un nuevo modelo de inteligencia artificial (IA) capaz de extraer informaci\u00f3n cl\u00ednica clave a partir de resonancias magn\u00e9ticas (RM) cerebrales sin necesidad de grandes vol\u00famenes de datos previamente etiquetados. El modelo, denominado BrainIAC<\/strong>, permite estimar la edad cerebral, predecir el riesgo de demencia, identificar mutaciones en tumores cerebrales y anticipar la supervivencia en c\u00e1ncer cerebral, entre otras aplicaciones. Los resultados del estudio han sido publicados en la revista Nature Neuroscience<\/em><\/a>.<\/p>

BrainIAC es un modelo fundacional<\/strong> entrenado y validado con alrededor de 49 mil RM cerebrales diversas<\/strong>, lo que le permite aprender patrones generales del cerebro humano y adaptarlos posteriormente a distintas tareas m\u00e9dicas. A diferencia de muchos sistemas de IA convencionales, dise\u00f1ados para resolver un \u00fanico problema y dependientes de bases de datos extensas y cuidadosamente anotadas, este enfoque busca ser flexible y transferible a m\u00faltiples contextos cl\u00ednicos.<\/p>

\u201cBrainIAC tiene el potencial de acelerar el descubrimiento de biomarcadores, mejorar las herramientas de diagn\u00f3stico y acelerar la adopci\u00f3n de la IA en la pr\u00e1ctica cl\u00ednica\u201d, detall\u00f3 el autor correspondiente el Dr. Benjamin Kann, del Programa de Inteligencia Artificial en Medicina (AIM) del Mass General Brigham. \u201cLa integraci\u00f3n de BrainIAC en los protocolos de diagn\u00f3stico por imagen podr\u00eda ayudar a los m\u00e9dicos a personalizar y mejorar la atenci\u00f3n al paciente\u201d, agreg\u00f3.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Aunque la IA ha avanzado y contin\u00faa avanzando de forma notable en el \u00e1mbito m\u00e9dico, el an\u00e1lisis de im\u00e1genes cerebrales sigue presentando desaf\u00edos importantes. Muchos modelos existentes requieren grandes cantidades de datos anotados, dif\u00edciles de obtener en la pr\u00e1ctica cl\u00ednica. Adem\u00e1s, las im\u00e1genes de RM pueden variar considerablemente entre instituciones y especialidades m\u00e9dicas, como la neurolog\u00eda y la oncolog\u00eda, lo que sin duda complica que los algoritmos aprendan representaciones comunes y generalizables.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Para abordar estas limitaciones, el equipo dise\u00f1\u00f3 BrainIAC como un \u201cn\u00facleo adaptativo de imagen cerebral\u201d entrenado mediante aprendizaje autosupervisado. Este enfoque permite al modelo identificar caracter\u00edsticas relevantes directamente a partir de datos no etiquetados, que luego pueden adaptarse a distintas aplicaciones cl\u00ednicas.<\/p>

Tras un proceso de preentrenamiento con m\u00faltiples conjuntos de datos de RM cerebral, los investigadores evaluaron el rendimiento del modelo en 48 mil 965 exploraciones correspondientes a siete tareas cl\u00ednicas diferentes<\/strong>, con distintos niveles de complejidad.\u00a0<\/strong><\/p>

Los resultados muestran que BrainIAC es capaz de<\/strong> generalizar su aprendizaje<\/strong> tanto en im\u00e1genes de cerebros sanos como patol\u00f3gicos. El modelo funcion\u00f3 con \u00e9xito en tareas relativamente sencillas, como la clasificaci\u00f3n de tipos de resonancia, y tambi\u00e9n en desaf\u00edos mucho m\u00e1s complejos, como la detecci\u00f3n de mutaciones en tumores cerebrales<\/strong>.<\/p>

En estas evaluaciones, BrainIAC<\/strong> super\u00f3 a tres modelos de IA convencionales dise\u00f1ados espec\u00edficamente para tareas concretas<\/strong>, demostrando mayor robustez y versatilidad. Los investigadores destacan especialmente su rendimiento en situaciones donde los datos de entrenamiento son escasos o la tarea cl\u00ednica es altamente compleja, un escenario frecuente en la pr\u00e1ctica m\u00e9dica real.<\/p>

Seg\u00fan los autores, la capacidad de BrainIAC para adaptarse a distintos problemas sugiere que este tipo de modelos podr\u00eda facilitar la incorporaci\u00f3n de la IA en entornos cl\u00ednicos<\/strong> donde los datos anotados son limitados. No obstante, se\u00f1alan que ser\u00e1 necesario realizar estudios adicionales para evaluar su desempe\u00f1o con otros tipos de im\u00e1genes cerebrales y en conjuntos de datos a\u00fan m\u00e1s amplios.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

MASS GENERAL BRIGHAM<\/strong><\/p>

https:\/\/www.massgeneralbrigham.org\/en\/about\/newsroom\/press-releases\/ai-tool-brainiac-identifies-key-neuro-health-indicators-from-mri-datasets<\/a><\/p>

NATURE<\/strong><\/p>

https:\/\/www.nature.com\/articles\/s41593-026-02202-6<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

BrainIAC, el modelo de IA, desarrollado en Mass General Brigham, que anticipa edad cerebral y pron\u00f3stico del c\u00e1ncer a partir de resonancias magn\u00e9ticas.<\/p>","protected":false},"author":1,"featured_media":67344,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-67342","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/67342","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=67342"}],"version-history":[{"count":5,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/67342\/revisions"}],"predecessor-version":[{"id":67349,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/67342\/revisions\/67349"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/67344"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=67342"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=67342"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=67342"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}