Desarrollan nuevo enfoque para detectar cáncer de próstata con menos imágenes etiquetadas
Un equipo de investigadores de iHEALTH probó estrategias de aprendizaje autosupervisado que permiten mejorar el rendimiento de modelos de inteligencia artificial (IA) para detectar y segmentar cáncer de próstata en resonancia magnética, incluso cuando se dispone de muy pocos datos etiquetados.
El estudio, titulado "Dissecting self-supervised learning strategies for transfer learning in MRI prostate cancer diagnosis", fue liderado por Jorge Facuse y Diego Campanini, junto a Denis Parra, Cecilia Besa, Rodrigo Salas, Pablo A. Estévez y Domingo Mery, investigadores de iHEALTH afiliados a la Pontificia Universidad Católica de Chile, la Universidad de Chile y la Universidad de Valparaíso.
Publicado en Scientific Reports (grupo Nature), el trabajo pone el foco en un problema central para la aplicación de la IA médica en Chile y Latinoamérica: la subrepresentación de las poblaciones en los grandes conjuntos de datos que alimentan estos modelos. Esto, porque la mayoría de los datos de próstata disponibles provienen de países desarrollados del hemisferio norte —Alemania, Países Bajos, Noruega—, y los modelos de IA existentes han sido entrenados y validados sobre esos datos.
"Chile y Latinoamérica en general son una región subrepresentada cuando se habla de datos médicos. Esto plantea inquietudes sobre la capacidad de generalización de dichos modelos, su robustez y los posibles sesgos que puedan tener al aplicarse a poblaciones distintas de las que fueron entrenados", explica el equipo.
El desafío es doble: aunque se han hecho esfuerzos por crear y etiquetar conjuntos de datos locales, la carga clínica de los médicos especialistas hace que estos suelan ser pequeños, del orden de cientos de resonancias etiquetadas. La pregunta que motivó la investigación fue si conjuntos tan reducidos pueden servir para adaptar y mejorar los modelos de IA existentes en nuestra población.
La propuesta: aprender de imágenes "sin etiquetar"
Para abordar el problema, los investigadores podrían haber creado un dataset anotado con niveles de gravedad y segmentaciones de pacientes chilenos que hubiese tomado varios años y presupuesto para etiquetar. A diferencia de esto, el equipo utilizó el conjunto de datos PICAI —datos públicos no etiquetados de pacientes de hospitales de Holanda, Noruega y Alemania— para pre entrenar el modelo con técnicas SSL.
Luego, para probar la capacidad de generalización de estas técnicas a datos de menor volumen, evaluaron su rendimiento en datasets etiquetados, pero con mucho menor tamaño, como Prostate-158 y ChiPCa. Este último dataset, fue recolectado de 111 estudios de pacientes chilenos de la Red de Salud UC CHRISTUS.
Como detalla el equipo "Una de las principales ventajas de aprender de datos no etiquetados es que no se necesita un especialista etiquetando cientos o miles de datos. En general, conseguir buenas etiquetas médicas requiere un especialista con años de experiencia, el cual no siempre está disponible. Con el aprendizaje autosupervisado, el modelo aprende de los mismos datos sin etiquetas, lo cual permite acelerar el flujo de desarrollo de modelos de IA y posibilita una mejor transferencia del aprendizaje hacia el dataset objetivo, incluso con una cantidad pequeña de datos etiquetados".
La propuesta consiste en una estrategia de entrenamiento en tres etapas: un preentrenamiento autosupervisado sobre imágenes sin etiquetar, un entrenamiento supervisado sobre un conjunto de datos de tamaño mediano, y un ajuste final (fine-tuning) sobre el conjunto de datos objetivo más pequeño. Los investigadores probaron sistemáticamente distintas arquitecturas (UNet y UNETR) y métodos de SSL, evaluando cómo cada decisión influye en el desempeño.
El resultado más relevante es que, incluso con un conjunto objetivo de datos etiquetado muy pequeño —alrededor de 100 estudios—, si es de buena calidad, es posible mejorar el rendimiento de modelos previamente entrenados con poblaciones muy distintas a las de Latinoamérica.
"Esta investigación es un paso importante en el sentido de mostrar que incluso con un dataset etiquetado muy pequeño, si es de buena calidad, es posible mejorar el rendimiento de modelos existentes entrenados con poblaciones muy distintas a las de Latinoamérica u otras regiones poco representadas", señalan los autores.
Esto abre la puerta a que hospitales sin grandes bases de datos anotadas puedan usar imágenes de otros centros médicos para un preentrenamiento y luego realizar el entrenamiento final sobre bases de datos etiquetadas del orden de un centenar de estudios.
¿Qué tan cerca está esta tecnología de convertirse en un apoyo real en un hospital o clínica chilena? El equipo es cauto al respecto: "Es difícil determinar qué tan cerca está la adopción de estos algoritmos en hospitales o clínicas chilenas, ya que no solo depende de la precisión de los modelos, sino también de aspectos regulatorios. En cuanto a la precisión, estos modelos deben ser validados en otros conjuntos de datos etiquetados y de múltiples centros. Para su aplicación en entornos reales se requieren más pruebas en datasets etiquetados de mayor tamaño; además, la distribución de los datos puede variar según los equipos utilizados y los centros médicos donde fueron adquiridos".
Entre las líneas de trabajo futuro, el equipo destaca especialmente el potencial de combinar las imágenes con otras fuentes de información: "Conseguir una gran cantidad de datos no es una tarea trivial, puesto que requiere la autorización de los centros médicos, pacientes y universidades involucrados; además, la infraestructura computacional de los centros médicos no siempre está diseñada para soportar una extracción masiva de datos. Sin embargo, algo que sí podemos explorar es cómo alinear los datos ya existentes con otras modalidades, como el texto clínico. Nuestro trabajo actual y futuro busca explotar la multimodalidad con datos existentes y locales".
El enfoque, además, podría extenderse a otros problemas de salud. La estrategia de segmentación de lesiones evaluada en el paper puede aplicarse a otras modalidades de imágenes médicas donde se requiera localizar un hallazgo relevante, aunque la mayor limitante sigue siendo el acceso a etiquetas de calidad realizadas por especialistas.
Facuse, J., Campanini, D., Parra, D. et al. Dissecting self-supervised learning strategies for transfer learning in MRI prostate cancer diagnosis. Sci Rep 16, 21561 (2026). https://doi.org/10.1038/s41598-026-50355-y
