Un IA común ve las imágenes médicas como rompecabezas de fragmentos desconocidos: dos imágenes no emparejadas las considera completamente diferentes. Es como intentar distinguir a gemelos sin saber que son familia. En medicina, los pacientes con la misma enfermedad se ven casi iguales en la resonancia, y el algoritmo se equivoca al confundir a los «parientes».

El método MseaCL añade los informes textuales de los médicos al entrenamiento, creando un «álbum familiar» para la IA. Ahora cada par de imágenes recibe una etiqueta: si son similares en esencia, no solo en píxeles. Antes, las conexiones ocultas pasaban desapercibidas —como la materia oscura en astrofísica—, pero ahora el algoritmo las detecta.

Sorprendentemente, para las imágenes infantiles fue necesario tener en cuenta la edad: el cerebro de un niño se desarrolla activamente y, sin esto, la IA podría haber confundido lo normal con una patología.

Como resultado, la precisión para identificar subtipos de tumores aumentó un 22,6% en comparación con los métodos convencionales. Ahora el diagnóstico depende menos de la incertidumbre y la IA se ha convertido en un asistente fiable para los pediatras. Este enfoque, como un prisma espectroscópico, ha descompuesto la enfermedad en variantes claras.