Los ultrasonidos son una herramienta esencial para las mujeres embarazadas, proporcionando información valiosa sobre el desarrollo fetal. Generalmente, estos exámenes generan imágenes bidimensionales en blanco y negro que permiten a los médicos identificar aspectos cruciales como el sexo biológico, el tamaño aproximado y posibles anomalías, tales como problemas cardíacos o labio leporino. En ocasiones, si se requiere un análisis más profundo, se recurre a la resonancia magnética (RM), que utiliza campos magnéticos para obtener imágenes que pueden combinarse en una vista tridimensional del feto.
No obstante, las RM no son infalibles; interpretar estas imágenes tridimensionales puede resultar complicado para los médicos debido a que nuestro sistema visual no está acostumbrado a procesar escaneos volumétricos. Aquí es donde entra en juego el aprendizaje automático, que promete modelar el desarrollo fetal de manera más clara y precisa. Sin embargo, hasta ahora, ningún algoritmo había logrado replicar adecuadamente los movimientos aleatorios y las diversas formas corporales de los fetos.
Un avance significativo
La solución ha llegado con "Fetal SMPL", un enfoque innovador desarrollado por investigadores del Laboratorio de Ciencias de la Computación e Inteligencia Artificial del MIT (CSAIL), el Hospital Infantil de Boston (BCH) y la Escuela de Medicina de Harvard. Este nuevo modelo se adapta del “SMPL” (Skinned Multi-Person Linear model), diseñado originalmente para capturar formas y poses corporales en adultos, permitiendo ahora representar con precisión las características y posturas fetales. Fetal SMPL fue entrenado utilizando 20,000 volúmenes de RM para predecir la ubicación y tamaño del feto, creando representaciones tridimensionales similares a esculturas.
El modelo incluye un esqueleto con 23 articulaciones móviles conocido como “árbol cinemático”, que permite al sistema imitar los movimientos observados durante el entrenamiento. Gracias a esta vasta base de datos real, Fetal SMPL ha alcanzado una notable precisión. Se puede comparar con entrar en la huella de un extraño mientras se está vendado: no solo encaja perfectamente, sino que también se adivina correctamente el tipo de calzado utilizado. De manera similar, esta herramienta logró alinearse con la posición y tamaño de fetos en imágenes de RM previamente no vistas, con un margen de error promedio de apenas 3.1 milímetros.
Potencial clínico
Este avance podría permitir a los médicos medir con exactitud dimensiones como el tamaño de la cabeza o abdomen del bebé y comparar estos parámetros con fetos sanos de la misma edad gestacional. Fetal SMPL ya ha mostrado su potencial clínico en pruebas iniciales, logrando resultados precisos en alineación sobre un pequeño grupo de escaneos reales.
“Estimular la forma y pose de un feto puede ser complicado debido al espacio reducido del útero”, explica Yingcheng Liu SM ’21, estudiante de doctorado en MIT y autor principal del estudio. “Nuestro enfoque supera este desafío mediante un sistema interconectado de huesos bajo la superficie del modelo 3D que representa realísticamente el cuerpo fetal y sus movimientos.” Liu añade que se utiliza un algoritmo de descenso por coordenadas para hacer predicciones alternando entre suposiciones sobre pose y forma hasta encontrar una estimación confiable.
Desafíos y futuro
Fetal SMPL fue evaluado comparando su precisión en forma y postura contra el sistema más cercano disponible: uno que modela el crecimiento infantil llamado “SMIL”. Dado que los bebés fuera del útero son más grandes que los fetos, los investigadores redujeron esos modelos en un 75% para nivelar las condiciones.
El sistema superó este estándar utilizando un conjunto de datos de RM fetales entre las semanas 24 y 37 de gestación obtenidas en el Hospital Infantil de Boston. Fetal SMPL logró recrear escaneos reales con mayor precisión al alinearse estrechamente con las imágenes obtenidas por RM.
Más allá de lo superficial
Liu también señala que su sistema solo ayuda a analizar lo visible en la superficie del feto; debajo de la piel del modelo solo hay estructuras óseas. Para monitorear mejor la salud interna del bebé —como el desarrollo del hígado, pulmones y músculos— el equipo planea hacer su herramienta volumétrica, modelando la anatomía interna fetal a partir de escaneos. Estas mejoras harían que los modelos sean aún más parecidos a humanos; sin embargo, la versión actual ya representa una mejora precisa (y única) en el análisis tridimensional de la salud fetal.
“Este estudio introduce un método específicamente diseñado para RM fetal que captura eficazmente los movimientos fetales, mejorando así la evaluación del desarrollo y salud fetal”, afirma Kiho Im, profesor asociado en medicina pediátrica en Harvard Medical School. Im destaca que este enfoque “no solo mejorará la utilidad diagnóstica de la RM fetal sino también proporcionará información sobre el desarrollo funcional temprano del cerebro fetal relacionado con los movimientos corporales.”
Sergi Pujades, profesor asociado en la Universidad Grenoble Alpes quien no participó en la investigación, considera este trabajo como un hito pionero al extender modelos paramétricos humanos hacia las primeras formas de vida humana: los fetos. Esto permitirá desentrañar cómo afectan diferentes condiciones al crecimiento humano tanto en forma como movimiento a lo largo del tiempo.
Liu coescribió el artículo junto a tres miembros del CSAIL: Peiqi Wang SM ’22, PhD ’25; Sebastián Díaz; y Polina Golland, profesora titular en ingeniería eléctrica e informática en MIT CSAIL. También colaboraron Esra Abaci Turk del BCH y Patricia Ellen Grant de Harvard Medical School. Este trabajo recibió apoyo parcial por parte de los Institutos Nacionales de Salud y el Programa CSAIL-Wistron del MIT.
Los investigadores presentarán sus hallazgos en la Conferencia Internacional sobre Computación Médica e Intervención Asistida por Computadora (MICCAI) programada para septiembre.
Si (
No(
