La IA y los problemas difíciles del mundo · Medicina y descubrimiento de fármacos · Nature (computational biology) · 2026-10-23
Un marco de aprendizaje profundo para el etiquetado automatizado de vértebras de la médula espinal cervical y la extracción morfométrica a partir de resonancia magnética cerebral, con validación multicéntrica a gran escala
Título original: A deep learning framework for automated cervical spinal cord vertebral labeling and morphometric extraction from brain MRI with large-scale multicenter validation
El estudio tenía como objetivo construir y validar una canalización totalmente automatizada que identifica los niveles vertebrales C1–C3 de la médula espinal cervical superior en resonancias magnéticas cerebrales ponderadas en T1 e incluye control de calidad. Se entrenaron modelos de aprendizaje profundo con datos de 998 controles y 879 pacientes con ataxias hereditarias de 32 centros, y nnU-Net obtuvo el mejor rendimiento (Dice de 0,85 para C1 y 0,89 para C2 y C3). La validación externa en 2.737 resonancias mostró una precisión de etiquetado superior al 92% en cuatro de cinco conjuntos de datos, y el método también detectó atrofia longitudinal de la médula espinal en pacientes con esclerosis múltiple.