Un modelo fundacional de inteligencia artificial aprende a leer miles de resonancias magnéticas y anticipar trastornos neurológicos con una precisión inédita
Sergio Parra
Periodista científico/muyinteresante.okdiario.com/2.03.2026
Sistemas capaces de aprender patrones invisibles al ojo humano están reescribiendo la forma en que se diagnostican y estudian enfermedades neurológicas. En este contexto aparece Brain Imaging Adaptive Core (BrainIAC), un modelo fundacional desarrollado por investigadores de Mass General Brigham y Harvard Medical School, cuyos resultados fueron publicados en Nature Neuroscience. El hallazgo no solo promete mayor precisión diagnóstica, sino también una nueva manera de comprender el cerebro.
Un cerebro digital que aprende solo
La mayoría de los algoritmos diseñados para analizar resonancias magnéticas han sido entrenados con un objetivo específico: detectar un tumor, clasificar una demencia o identificar un ictus. BrainIAC, en cambio, pertenece a otra estirpe: la de los modelos fundacionales, sistemas entrenados con enormes volúmenes de datos que adquieren una comprensión general antes de especializarse.
En este caso, el modelo fue preentrenado con 48.965 estudios de resonancia magnética cerebral. Lo notable no es solo la magnitud del conjunto de datos, sino la estrategia empleada: aprendizaje autosupervisado, en concreto aprendizaje contrastivo. Esta metodología permite que el sistema identifique regularidades estructurales sin depender de grandes cantidades de datos etiquetados por humanos, un recurso escaso y costoso en medicina.
Gracias a este entrenamiento inicial, BrainIAC desarrolló una representación profunda de la anatomía cerebral y de los patrones que organizan su estructura. Posteriormente, pudo adaptarse con relativa facilidad a tareas concretas: detectar enfermedad de Alzheimer, identificar tumores, reconocer signos de párkinson o anticipar la evolución de un ictus. Según el estudio, el modelo alcanzó un rendimiento equiparable (e incluso superior) al de algoritmos diseñados específicamente para cada patología, utilizando en ocasiones hasta diez veces menos datos adicionales.
Este hallazgo sugiere que estamos ante algo más que una herramienta diagnóstica: se trata de una plataforma versátil, capaz de servir como base común para múltiples aplicaciones clínicas y de investigación.
Más allá del diagnóstico: anticipar el riesgo
Uno de los aspectos más prometedores de BrainIAC es su capacidad para predecir riesgos futuros. Las resonancias magnéticas suelen realizarse por motivos concretos (un traumatismo, una sospecha de tumor, un episodio neurológico agudo) y son analizadas con un objetivo inmediato. Sin embargo, cada imagen contiene una abundancia de información que excede esa finalidad inicial.
El equipo liderado por Benjamin H. Kann sostiene que el modelo puede extraer señales asociadas no solo a enfermedades presentes, sino también a la probabilidad de que ciertas condiciones se desarrollen con el tiempo. En otras palabras, la IA podría convertirse en una suerte de oráculo clínico basado en datos, capaz de advertir sobre vulnerabilidades antes de que los síntomas se manifiesten con claridad.
En las pruebas realizadas, BrainIAC demostró solidez al adaptarse a patologías diversas: enfermedad de Alzheimer, trastornos del espectro autista, demencias, tumores cerebrales, enfermedad de Parkinson y accidentes cerebrovasculares. La amplitud de condiciones abordadas refuerza la idea de que el modelo ha captado principios estructurales generales del cerebro, más allá de marcas patológicas específicas.
Además, el hecho de que el sistema sea de código abierto abre la puerta a colaboraciones internacionales. Otros grupos de investigación ya lo están empleando para estudiar lesiones traumáticas y procesos neurodegenerativos. Este enfoque cooperativo podría acelerar el desarrollo de aplicaciones clínicas y mejorar la reproducibilidad científica.
El nacimiento de una nueva generación de modelos médicos
BrainIAC no es un punto final, sino el inicio de una tendencia. Los investigadores prevén ampliar el entrenamiento del modelo con conjuntos de datos aún mayores, lo que podría afinar su capacidad predictiva. Asimismo, el paradigma de los modelos fundacionales podría extenderse a otras modalidades de imagen médica: tomografía computarizada, microscopía de alta resolución, imágenes retinianas o ecografías.
La idea subyacente es sencilla y audaz: enseñar primero a la máquina el “lenguaje” general de un órgano y, después, especializarla en distintos “dialectos” patológicos. Este enfoque podría resultar especialmente valioso en enfermedades raras o en contextos donde los datos disponibles son limitados, un obstáculo habitual en investigación clínica.No obstante, el entusiasmo debe ir acompañado de prudencia. La implementación clínica de estos sistemas exigirá validaciones rigurosas, evaluación ética y garantías de equidad en el acceso. La inteligencia artificial no sustituye al médico, pero puede convertirse en un aliado formidable, ampliando su capacidad de interpretación.
______________
Referencias
Kann, Benjamin H., et al. “Brain Imaging Adaptive Core: A Foundation Model for Multi-Task Prediction from Brain MRI.” Nature Neuroscience, 2024. DOI: 10.1038/s41593-026-02202-6.
_________
Fuente:
