Un equipo de la Universidad de Michigan ha entrenado un modelo de inteligencia artificial directamente con millones de imágenes médicas reales generadas en la actividad diaria de un hospital, en lugar de con datos genéricos extraídos de internet. El sistema, bautizado NeuroVFM, ha superado a modelos de referencia como GPT-5 y Claude Sonnet 4.5 a la hora de interpretar resonancias magnéticas y TAC cerebrales.

Los grandes modelos multimodales actuales deben buena parte de su potencia a haberse entrenado con cantidades masivas de texto e imágenes disponibles en internet. Sin embargo, la medicina clínica apenas está representada en esa información pública, y la neuroimagen resulta especialmente escasa porque las resonancias y los TAC craneales pueden contener rasgos faciales identificables, lo que limita su difusión abierta y, con ello, el rendimiento de la inteligencia artificial en esta área.

Para superar esa limitación, los investigadores plantean un enfoque al que han llamado «aprendizaje del sistema sanitario»: en lugar de aprender de descripciones de segunda mano tomadas de internet, el modelo se entrena directamente con los datos generados durante la actividad asistencial ordinaria de un hospital, sin necesidad de seleccionarlos ni anotarlos previamente.

El equipo construyó un conjunto de datos con 5,24 millones de volúmenes de resonancia y TAC procedentes de más de 566.000 estudios realizados a lo largo de dos décadas en el sistema sanitario de Michigan Medicine. Con ese material entrenaron NeuroVFM mediante una técnica denominada Vol-JEPA, un método de aprendizaje autosupervisado que enseña al modelo a predecir regiones ocultas de una imagen tridimensional a partir del contexto visible, sin depender de informes radiológicos ni de etiquetas manuales.

En pruebas sobre más de 150 tareas diagnósticas distintas, NeuroVFM superó tanto a modelos entrenados con supervisión de informes como a sistemas entrenados con imágenes genéricas de internet, y necesitó muchos menos ejemplos etiquetados para alcanzar el mismo nivel de precisión que sus competidores.

Un modelo que entiende de anatomía

Uno de los hallazgos más llamativos es que NeuroVFM organiza internamente sus representaciones siguiendo la propia anatomía del cerebro, agrupando regiones similares sin que nadie le haya indicado previamente qué es cada estructura. Esta propiedad le permite reconocer una misma zona cerebral aunque cambie el tipo de secuencia de resonancia o la orientación de la imagen, algo que los modelos anteriores lograban con mucha menos precisión.

El sistema también demostró capacidad para transferir lo aprendido entre distintas modalidades de imagen: un clasificador entrenado únicamente con TAC fue capaz de identificar diagnósticos en resonancias magnéticas con una pérdida de precisión mínima, mientras que los modelos de comparación perdían gran parte de su fiabilidad al cambiar de una técnica de imagen a otra.

Informes médicos más fiables y menos alucinaciones

Los investigadores combinaron NeuroVFM con un modelo de lenguaje de código abierto para generar automáticamente informes radiológicos a partir de las imágenes. En una evaluación con 300 estudios verificados por especialistas, este sistema combinado superó a GPT-5 y a Claude Sonnet 4.5 tanto en la clasificación de la urgencia de cada caso como en la detección de hallazgos que requerían atención inmediata.

Un grupo de radiólogos que revisó los informes de forma ciega, sin saber qué modelo los había generado, encontró la mitad de errores en los hallazgos clave producidos por NeuroVFM en comparación con los de GPT-5, con menos alucinaciones y menos errores de lateralidad. Además, los especialistas prefirieron los informes de NeuroVFM frente a los de GPT-5 en una proporción superior a dos a uno.

Una prueba real dentro del hospital

El equipo llevó la comparación a un entorno asistencial real mediante un estudio prospectivo de una semana en el que se generaron informes automáticos para 1.155 estudios de resonancia y TAC realizados en la práctica clínica habitual. NeuroVFM alcanzó una precisión de triaje del 92,6%, frente al 71,2% de GPT-5, un margen especialmente relevante a la hora de detectar hallazgos críticos que exigen intervención urgente.

Los autores insisten en que su intención no es sustituir a los modelos de propósito general, sino complementarlos: imaginan sistemas como NeuroVFM actuando como un módulo de percepción especializado que aporta información clínica fiable a modelos de razonamiento más amplios como GPT-5 o Claude. Por ahora, los propios investigadores reconocen que la herramienta todavía debe mejorar antes de poder usarse de forma autónoma, ya que en la prueba prospectiva pasó por alto una quinta parte de los casos con hallazgos críticos.