📄 Mostrando la versión "Simple" — "Popular" aún no está lista. Añádelo a favoritos para ayudar a priorizarla. Pedir el análisis completo

Un tumor en una imagen es como un pequeño punto brillante sobre un enorme lienzo oscuro. El médico necesita precisamente ese punto, no un fondo perfectamente uniforme. Pero cuando una red neuronal aprende a convertir una tomografía computarizada (TC) ordinaria en una imagen similar a la tomografía por emisión de positrones (PET), a menudo intenta embellecer todo el conjunto y termina difuminando ese punto.

El problema es que las células tumorales ocupan solo una fracción diminuta del volumen total del cuerpo. Si se mide la calidad en toda la imagen, el modelo puede obtener puntuaciones altas, pero pasar por alto el débil brillo del cáncer. Los autores del nuevo trabajo propusieron añadir a la red neuronal dos señales simples: una indica cuán heterogénea es la textura del tejido, y la otra, cuán fuertes son los cambios de densidad. Estas señales se calculan de manera económica a partir de la TC y ayudan al modelo a concentrarse en las zonas sospechosas.

El modelo se llama LAFNO. Se entrenó con datos reales de pacientes con cáncer de próstata, donde los tumores brillan gracias al marcador radiactivo PSMA. En las pruebas, LAFNO redujo el error en la estimación de la actividad tumoral total casi a la mitad en comparación con los métodos anteriores. La precisión en la reproducción de la textura del tumor también mejoró, lo cual es importante para el análisis automático posterior.

Por ahora, la reproducción del tejido alrededor del tumor sigue siendo inestable y depende del tipo de marcador. Pero el enfoque en sí —indicar a la red dónde mirar mediante características físicas simples— podría ser útil también en otras tareas de imagenología médica.