Visión Artificial en Imagen Médica: Hacia Una Rehabilitación Más Precisa y Personalizada

La visión artificial se ha consolidado como una tecnología transversal con impacto creciente en sectores tan diversos como la automoción, la seguridad, la agricultura de precisión o la industria manufacturera. En el ámbito de la ingeniería biomédica, su penetración ha sido especialmente significativa, impulsada por la necesidad de interpretar grandes volúmenes de datos visuales generados por sistemas de imagen médica cada vez más sofisticados. Desde la automatización de tareas diagnósticas hasta el desarrollo de sistemas de ayuda a la decisión clínica, la visión artificial está transformando la forma en que se analiza, comprende y utiliza la información visual en medicina. En este contexto, su aplicación en rehabilitación y discapacidad abre nuevas posibilidades para el diagnóstico funcional, el seguimiento terapéutico y la personalización de tratamientos.

Por ejemplo, en España, se estima que en 2025 se diagnosticarán cerca de 296.000 nuevos casos de cáncer, lo que refleja no solo la magnitud del problema, sino también el creciente número de personas que sobreviven a la enfermedad y conviven con sus secuelas. A esto se suma que más de 9 millones de personas adultas padecen alguna forma de dolor crónico, incluyendo dolor lumbar, cervical o de cabeza frecuente. Ambas condiciones —el cáncer y el dolor persistente— son causas frecuentes de discapacidad adquirida, y su abordaje requiere estrategias de rehabilitación cada vez más personalizadas. En este contexto, la imagen médica cuantitativa emerge como una herramienta clave para evaluar de forma objetiva el impacto funcional de estas condiciones y guiar intervenciones terapéuticas más eficaces.

Durante décadas, la imagen médica ha sido una herramienta esencial para la evaluación cualitativa en el diagnóstico clínico, permitiendo a los profesionales visualizar estructuras anatómicas y detectar lesiones mediante interpretación visual con una precisión sin precedentes. Esta aproximación, basada en la experiencia del observador y en patrones visuales reconocibles, ha sido fundamental para la práctica médica. Sin embargo, en los últimos años ha emergido una nueva dimensión: la imagen médica cuantitativa, que transforma los datos visuales en métricas objetivas y reproducibles sobre la función, la microestructura o el metabolismo de los tejidos. Esta evolución permite no solo complementar la mirada clínica, sino también medir alteraciones funcionales con precisión, como cambios en la conectividad cerebral, patrones metabólicos asociados a la respuesta terapéutica o modificaciones en la microestructura tisular. Gracias a esta capacidad de cuantificación, es posible monitorizar el estado funcional del paciente de forma longitudinal, guiar decisiones clínicas basadas en evidencia y diseñar programas de rehabilitación más adaptativos y personalizados.

En este contexto, las nuevas técnicas de imagen por resonancia magnética (MR), y los nuevos sistemas combinados como la imagen por emisión de positrones combinada con MR (PET/MR) permiten ir más allá de la morfología, capturando procesos dinámicos como la función, la perfusión tisular o la actividad metabólica en tiempo real, además de permitir cuantificar parámetros como la conectividad anatómica o funcional. Estas modalidades ofrecen biomarcadores no invasivos que pueden correlacionarse con síntomas clínicos, niveles de discapacidad o respuesta al tratamiento.

La incorporación de la visión artificial —mediante técnicas de inteligencia artificial y novedosos enfoques como la radiómica, que consiste en extraer grandes volúmenes de datos cuantitativos a partir de imágenes médicas— permite analizar automáticamente características cuantitativas de las imágenes, como formas, patrones de intensidad o texturas, que pueden revelar patrones invisibles al ojo humano y correlacionarse con el estado funcional del paciente o su evolución clínica. De esta manera, la cuantificación sistemática de la imagen permite el seguimiento longitudinal de pacientes, la clasificación precisa de perfiles clínicos y la evaluación objetiva de intervenciones terapéuticas. En contextos como la oncología o el dolor crónico, donde los síntomas son complejos y multifactoriales, esta capacidad de “medir lo invisible” se convierte en una herramienta clave para estratificar pacientes, predecir la respuesta a terapias y diseñar intervenciones rehabilitadoras más eficaces, avanzando así hacia una medicina más personalizada, basada en datos y centrada en la funcionalidad del paciente.

En oncología, más allá de localizar tumores o valorar su extensión, estas técnicas permiten estudiar la actividad metabólica tumoral, la respuesta al tratamiento y las alteraciones funcionales en tejidos circundantes. Esto resulta especialmente útil en el seguimiento de pacientes tras cirugía o radioterapia, donde la imagen puede revelar secuelas funcionales que no son evidentes clínicamente, pero que afectan significativamente la calidad de vida.

En el ámbito del dolor crónico, esas técnicas ofrecen una ventana única para explorar los mecanismos neurobiológicos subyacentes. Por ejemplo, la MR funcional (fMRI) permite identificar patrones de activación cerebral asociados al dolor persistente, mientras que la imagen por difusión (DTI) puede detectar alteraciones en la conectividad de redes neuronales implicadas en la percepción del dolor. Además, la imagen PET, mediante el uso de trazadores específicos, permite visualizar procesos neuroinflamatorios asociados a la activación glial, lo que aporta una dimensión adicional en la comprensión del dolor crónico desde una perspectiva molecular y funcional.

La radiómica, en particular, ha demostrado ser una herramienta poderosa para convertir imágenes médicas en grandes volúmenes de datos cuantificables. Al aplicar algoritmos de aprendizaje automático sobre estos datos, es posible identificar subtipos clínicos, predecir la eficacia de tratamientos personalizados y apoyar la toma de decisiones clínicas con mayor precisión. Esta transformación convierte a la visión artificial en imagen médica en un instrumento dinámico de evaluación multidimensional, con aplicaciones directas en la planificación de la rehabilitación y en la monitorización de su eficacia.

Además del análisis de imagen en radiología y medicina nuclear, el vídeo —como el registrado durante sesiones de rehabilitación, exploraciones funcionales o pruebas de movilidad, o incluso el adquirido con una webcam por el propio paciente— ofrece una fuente rica de información temporal que puede ser explotada mediante técnicas de visión artificial y deep learning. La visión artificial permite así extraer patrones dinámicos de movimiento, postura o expresión facial, que, nuevamente, pueden correlacionarse con el estado funcional del paciente, la evolución de síntomas o la respuesta a terapias. Esta aproximación no solo automatiza la evaluación visual, sino que permite generar métricas objetivas sobre la calidad del movimiento, la simetría, la coordinación o el esfuerzo, facilitando una rehabilitación más precisa, adaptativa y basada en evidencia.

No obstante, el uso avanzado de imagen médica cuantitativa plantea desafíos técnicos importantes. En primer lugar, la adquisición multimodal —como en el caso de la PET/MR— requiere equipamiento altamente especializado y, sobre todo, protocolos estandarizados, además de una coordinación precisa entre distintas modalidades para evitar artefactos y asegurar la calidad de los datos. Además, la variabilidad interindividual y la sensibilidad a factores fisiológicos (como el movimiento o el estado metabólico) complican la interpretación directa de las imágenes.

En segundo lugar, el procesamiento y análisis de estos datos exige herramientas computacionales robustas. Algoritmos de segmentación, registro y extracción de características deben ser no solo precisos, sino también reproducibles y explicables, especialmente cuando se integran en entornos clínicos. Esto es especialmente relevante en el contexto de la visión artificial y la radiómica, donde la creciente incorporación de estas técnicas abre nuevas posibilidades para detectar patrones complejos. Sin embargo, también introduce riesgos relacionados con la opacidad de los modelos y la necesidad de validación externa. La transparencia, interpretabilidad y explicabilidad de los modelos de visión artificial, junto con la validación cruzada rigurosa y la estandarización de los procesos de extracción de características son esenciales para garantizar su fiabilidad, reproducibilidad y aceptación clínica.

En este sentido, iniciativas como la Image Biomarker Standardisation Initiative (IBSI), que promueve la estandarización técnica de los biomarcadores de imagen; la Quantitative Imaging Biomarkers Alliance (QIBA), centrada en garantizar la reproducibilidad clínica de los biomarcadores cuantitativos; y la CheckList for EvaluAtion of Radiomics research (CLEAR), orientada a mejorar la transparencia y calidad metodológica de los estudios radiómicos, representan pilares fundamentales para avanzar hacia una radiómica fiable, reproducible y clínicamente útil. De forma complementaria, iniciativas más amplias en el ámbito de la inteligencia artificial aplicada a salud —como la Medical Open Network for Artificial Intelligence (MONAI), la Machine Learning for Health (ML4H) o los marcos éticos y técnicos promovidos por organismos como la Organisation for Economic Co-operation and Development (OECD) o el International Telecommunications Union and World Health Organization (ITU-WHO) Focus Group on Artificial Intelligence for Health (FG-AI4H)— ofrecen guías para el desarrollo responsable, reproducible y transparente de modelos basados en inteligencia artificial y deep learning, incluyendo aquellos aplicados al análisis de vídeo. La transparencia, interpretabilidad y explicabilidad de los modelos de visión artificial, junto con la validación cruzada rigurosa y la estandarización de los procesos de extracción de características, son esenciales para garantizar su aceptación clínica y su integración efectiva en la práctica médica.

Además, la integración de datos de imagen y vídeo con otras fuentes —como escalas clínicas, registros electrónicos o datos genómicos— abre la puerta a modelos multimodales que capturan la complejidad del paciente real. Esto permite construir un ecosistema de salud verdaderamente personalizado, donde la rehabilitación no sea un protocolo estándar, sino una estrategia ajustada a las necesidades y capacidades de cada individuo.

Esta integración, sin embargo, requiere infraestructura de datos interoperable, estándares comunes y una cultura de colaboración entre disciplinas. La visión artificial en imagen médica cuantitativa, en este sentido, no solo es una herramienta, sino un nodo central en el ecosistema de la medicina personalizada que, al depender de grandes volúmenes de datos bien anotados y de pipelines computacionales complejos, se beneficia especialmente de estos avances en interoperabilidad y colaboración multidisciplinar.

En resumen, este marco de diagnóstico y rehabilitación personalizada, la imagen médica cuantitativa se posiciona como un pilar fundamental para una medicina basada en evidencia, capaz de guiar decisiones clínicas con mayor precisión y sensibilidad. Esta capacidad de cuantificar y monitorizar el estado funcional del paciente abre la puerta a programas de rehabilitación más dinámicos, adaptativos y eficaces. En última instancia, se trata de devolver funcionalidad, autonomía y calidad de vida, con el respaldo de datos objetivos que permitan evaluar el progreso y ajustar el tratamiento de forma continua. La imagen médica cuantitativa, potenciada por visión artificial y radiómica, y el análisis de vídeo mediante deep learning deja de ser una herramienta diagnóstica para convertirse en un instrumento de empoderamiento clínico y social, que permite ver más allá de la lesión y centrarse en lo que realmente importa: la recuperación funcional del paciente.

Pero más allá de la técnica, el reto está en formar profesionales capaces de entender tanto el potencial como las limitaciones de estas herramientas. La ingeniería para la discapacidad y la rehabilitación no solo requiere conocimiento técnico, sino también sensibilidad clínica y compromiso social. De esta manera, la visión artificial no es un fin en sí mismo, sino un medio para construir una medicina más inclusiva, personalizada y centrada en el paciente. En este sentido, el Grupo Temático de Bioingeniería del Comité Español de Automática (CEA) representa un foro donde los principales grupos de investigación de las universidades y centros de investigación de España comparten esfuerzos e iniciativas para la innovación en este ámbito tecnológico. A través de los simposios temáticos -actualmente bajo la denominación Simposio CEA de Robótica, Bioingeniería, Visión Artificial y Automática Marina-, como las reuniones del Grupo Temático en el seno de las Jornadas de Automática, se realizan acciones de intercambio de conocimiento y fomento de colaboraciones, a través de presentación de trabajos de investigación e innovación, mesas redondas, talleres, y concursos dirigidos a investigadores noveles. Una iniciativa en este sentido es el recientemente implantado Máster Universitario en Ingeniería para la Discapacidad y la Rehabilitación de la Universidad Rey Juan Carlos, en el que tanto el autor de esta columna como el coordinador del Grupo Temático en Bioingeniería del CEA participan como promotores, docentes y directores. El plan de estudios comprende ámbitos de la tecnología que abarcan desde la robótica asistencial para la rehabilitación motora, hasta la utilización de técnicas de imagen médica y visión artificial como herramienta objetivadora de los procesos de rehabilitación, pasando por disciplinas como la biomecánica y el análisis del movimiento, el diseño universal, sistemas de control de entorno, o la formación en legislación sobre producto sanitario.

Ángel Torrado-Carvajal

Profesor Titular de Universidad del Área de Tecnología Electrónica de la Universidad Rey Juan Carlos.

Director Técnico del Laboratorio de Análisis de Imagen Médica y Biometría (LAIMBIO).

Miembro del Grupo de Investigación de alto rendimiento en Tecnologías de Imagen Médica (PROMISE).

----

Este artículo aparece publicado en el nº 565 de Automática e Instrumentación págs. 26 a 28.