El tejido cerebral en una imagen recuerda a un cielo de tormenta: manchas claras, vacíos oscuros, bordes difuminados. El tumor se esconde entre esos patrones, y el médico debe trazar su contorno para planear la cirugía o la radioterapia. Un modo de resonancia resalta el edema, otro el núcleo del tumor, un tercero las zonas muertas. Pero en un hospital real, parte de las imágenes se pierde o ni siquiera se realiza: el paciente se movió, el equipo se averió, no hay tiempo. El programa BMDS-Net aprende a trabajar con lo que hay, como un cocinero experimentado prepara la cena con un conjunto incompleto de ingredientes.

El secreto está en dos pasos. Primero, la red reúne las imágenes disponibles y decide por sí misma en cuál confiar más: si falta un modo, se apoya en los restantes, pero no en silencio, sino de forma inteligente: añade al cálculo una corrección por lo que falta. A la vez, aprende a trazar los límites no al azar, sino siguiendo los puntos de referencia más fiables: donde el tejido cambia de color bruscamente, el contorno es nítido, y donde la transición es gradual, el programa lo marca como zona de duda. El segundo paso es la honestidad. En lugar de una única respuesta, la red ofrece varias opciones, como varios médicos que miran la misma imagen y discrepan un poco. La dispersión de esas opciones es la medida de la incertidumbre.

Las pruebas mostraron: cuando están todas las imágenes, la precisión es máxima, pero incluso si se elimina un modo, el programa casi no pierde destreza. Y su estimación de confianza resultó tan exacta que casi alcanzó al conjunto de tres redes neuronales separadas, aunque se entrenó a un costo una vez y media menor. Para el médico, esto significa que el programa no solo dibuja el contorno, sino que también indica dónde conviene revisar manualmente, como un navegador que no calla sobre el mal camino, sino que avisa de los baches con antelación.