Segun MarkTechPost (AI/ML News), un equipo de la Universidad de Michigan ha presentado NeuroVFM, un modelo de base visual especializado en imágenes neurológicas, entrenado directamente sobre datos clínicos de resonancia magnética y tomografía computarizada sin necesidad de etiquetas de informes radiológicos. Este avance busca superar el desempeño limitado de modelos generales en tareas de análisis cerebral, ya que las imágenes médicas suelen estar ausentes en fuentes abiertas por contener datos personales como rasgos faciales. El modelo se basa en un conjunto de 5.24 millones de volúmenes de imágenes, provenientes de 566.915 estudios del repositorio UM-NeuroImages, que abarca más de dos décadas de atención clínica en Michigan Medicine.
NeuroVFM no requiere informes médicos ni procesos de selección específica por enfermedad, lo que lo distingue de los sistemas tradicionales que dependen de datos curados y etiquetados. Su enfoque se denomina “aprendizaje en sistema de salud”, ya que utiliza datos generados en condiciones reales de operación clínica, sin intervención manual. Esta estrategia permite que el modelo aprenda patrones anatómicos y patológicos a partir de imágenes sin revisión por especialistas, lo que acelera su adaptación al entorno médico. La arquitectura subyacente se llama Vol-JEPA, una variante del método JEPA que se ha adaptado para imágenes volumétricas. A diferencia de otros enfoques que dependen de reconstrucción de píxeles, Vol-JEPA opera en un espacio latente, prediciendo representaciones sin necesidad de etiquetas ni decodificadores de voxels.
El proceso comienza con la división de cada volumen 3D en parches no superpuestos de tamaño 4×16×16 en voxels. Luego, la imagen se divide en una parte visible y una región oculta, que se predice mediante una combinación de latentes de contexto y posiciones. Un codificador estudiante procesa los parches visibles, mientras que un predictor utiliza los latentes obtenidos para estimar los valores de la zona oculta. Este enfoque autodescubridor permite entrenar el modelo sin supervisión externa, lo que lo hace más escalable y menos dependiente de procesos de curation costosos.
Para el lector peruano, este avance tiene implicaciones directas en el acceso a diagnósticos rápidos y precisos, especialmente en entornos donde los recursos médicos son limitados. Si se implementa en hospitales nacionales, podría permitir detectar anomalías cerebrales en imágenes obtenidas en centros de salud locales, sin necesidad de especialistas en radiología. Aunque aún en etapa de investigación, NeuroVFM representa un paso clave hacia la automatización de diagnósticos médicos basados en datos reales, reduciendo la brecha entre el conocimiento técnico y su aplicación práctica en el campo de la salud pública.