Durante el embarazo, las ecografías son la técnica habitual para observar el crecimiento del feto. Sin embargo, su alcance es limitado: las imágenes suelen ser en dos dimensiones y no siempre permiten detectar problemas complejos. En estos casos, los médicos recurren a la resonancia magnética (RM), que ofrece una visión en 3D más completa. El inconveniente es que estas imágenes volumétricas resultan difíciles de interpretar, ya que nuestro sistema visual no está acostumbrado a procesarlas de forma natural.
Aquí entra en juego la inteligencia artificial. Investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (CSAIL), junto con especialistas del Hospital Infantil de Boston y la Facultad de Medicina de Harvard, han creado un modelo llamado Fetal SMPL, basado en un sistema originalmente diseñado para representar cuerpos humanos adultos en gráficos por ordenador. Adaptado al contexto prenatal, este modelo es capaz de reconstruir la forma y los movimientos de los fetos a partir de grandes volúmenes de datos médicos.
Un modelo entrenado con 20.000 resonancias
Fetal SMPL fue entrenado con 20.000 volúmenes de resonancias magnéticas, lo que le permitió aprender a predecir la posición y el tamaño del feto con una precisión sorprendente: el margen de error medio es de apenas 3,1 milímetros, menos que un grano de arroz. Dentro de cada representación digital se incluye un esqueleto virtual con 23 articulaciones, lo que permite simular movimientos realistas y analizar la postura del bebé en distintas etapas de la gestación.
Puede resultar complicado estimar la forma y la postura de un feto porque está encajado en un espacio muy reducido. Nuestro enfoque supera este reto gracias a un sistema de huesos interconectados bajo la superficie del modelo 3D, que representa de forma realista el cuerpo y sus movimientos.
Yingcheng Liu, estudiante de doctorado en el MIT y autor principal del trabajo
Comparación con modelos previos
El equipo comparó Fetal SMPL con SMIL, un modelo diseñado para estudiar el crecimiento de bebés ya nacidos. Para poder cotejar resultados, redujeron las proporciones de SMIL en un 75 %. Aun así, el nuevo sistema del MIT mostró una alineación mucho más precisa en resonancias fetales entre las semanas 24 y 37 de gestación.
Los experimentos demostraron que el algoritmo necesitaba apenas tres iteraciones para alinear sus modelos con las imágenes de referencia, alcanzando la precisión final en muy pocos pasos. Además, las primeras pruebas clínicas realizadas en casos reales confirmaron su potencial diagnóstico.
Limitaciones y próximos pasos
Por ahora, Fetal SMPL solo representa la superficie del feto y estructuras similares a huesos. Para ampliar su utilidad clínica, los investigadores planean hacerlo volumétrico, lo que permitiría modelar también órganos internos como hígado, pulmones o músculos. De lograrlo, los médicos tendrían acceso a un retrato digital aún más completo de la salud fetal.
Según Kiho Im, profesor asociado en la Facultad de Medicina de Harvard, que no participó en el estudio, este avance “no solo mejorará la utilidad diagnóstica de la resonancia fetal, sino que también aportará información sobre el desarrollo funcional temprano del cerebro en relación con los movimientos corporales”.
Por su parte, Sergi Pujades, profesor de la Universidad de Grenoble Alpes, considera que se trata de un “hito pionero al extender los modelos humanos paramétricos a las primeras etapas de la vida”, lo que abre la puerta a estudiar cómo la forma y el movimiento del cuerpo humano evolucionan desde el útero hasta la adultez.
Consecuencias para la medicina prenatal
La disponibilidad de un modelo tan preciso podría transformar el diagnóstico prenatal, ofreciendo a ginecólogos y pediatras datos objetivos sobre el crecimiento del feto. Entre sus posibles aplicaciones se incluyen la detección temprana de malformaciones, el seguimiento del desarrollo neurológico y la comparación con métricas de fetos sanos de la misma edad gestacional.
El estudio, firmado también por Peiqi Wang, Sebastian Diaz, Polina Golland, Esra Abaci Turk, Benjamin Billot y Patricia Ellen Grant, fue financiado en parte por los Institutos Nacionales de Salud (NIH) y el programa MIT CSAIL-Wistron, y se presentará en septiembre en la conferencia internacional MICCAI (Medical Image Computing and Computer Assisted Intervention).
