La IA adapta el ultrasonido a cada paciente

NVIDIA y Siemens Healthineers presentan NV-Raw2Insights-US, un modelo de IA que analiza directamente las señales captadas por una sonda de ultrasonido para ajustar el enfoque de la imagen a las características de cada paciente.

El sistema todavía está en fase de investigación y no está autorizado para la venta ni el uso clínico en Estados Unidos u otros países. Pero apunta a un cambio importante: dejar de tratar el ultrasonido como una imagen terminada y aprovechar los datos originales que recoge el sensor.

El ultrasonido no empieza con una imagen

Cuando ves una ecografía, la pantalla muestra una imagen reconstruida a partir de millones de pequeños ecos que rebotan dentro del cuerpo. Antes de llegar al monitor, esos datos pasan por un proceso conocido como beamforming, que combina las señales y calcula de dónde parece venir cada eco.

Ese proceso funciona, pero simplifica la física. Una de sus suposiciones habituales es que el sonido viaja a la misma velocidad por todos los tejidos. En realidad, esa velocidad cambia según la zona del cuerpo que atraviesa. El resultado puede ser una imagen menos enfocada o con detalles desplazados.

NV-Raw2Insights-US intenta corregir esa limitación. En vez de recibir una imagen ya procesada, aprende a partir de las señales sin reconstruir que registra la sonda. Con ellas estima un mapa personalizado de la velocidad del sonido dentro del paciente y utiliza ese mapa para mejorar el enfoque durante la exploración.

Qué cambia en la práctica

En una ecografía convencional, adaptar el enfoque a las propiedades concretas de cada cuerpo requiere cálculos complejos y puede depender de aproximaciones generales. El modelo busca hacer ese ajuste en una sola pasada de IA y devolverlo al escáner mientras la imagen se actualiza en directo.

Eso podría ser útil en situaciones donde la anatomía o los tejidos dificultan obtener una imagen nítida. Por ejemplo, el sistema podría tener en cuenta que el sonido no se comporta igual al atravesar distintas capas de tejido, en lugar de aplicar una velocidad uniforme a todo el cuerpo.

La diferencia no está solo en usar una red neuronal. Está en el punto de partida:

• Los sistemas tradicionales trabajan principalmente con imágenes reconstruidas.
• NV-Raw2Insights-US utiliza los datos originales de los canales de la sonda.
• La IA estima las propiedades físicas del paciente y las usa para ajustar la imagen.

Cómo conectan la IA con un ecógrafo existente

Los datos sin procesar de un ecógrafo tienen un gran volumen y normalmente no están disponibles de forma sencilla en equipos clínicos. Para resolverlo, NVIDIA utiliza Holoscan Sensor Bridge, un componente de código abierto basado en FPGA que transfiere esos datos a una GPU con baja latencia.

En la demostración, un kit FPGA Altera Agilex-7 captura las señales procedentes de un ecógrafo ACUSON Sequoia a través de sus salidas DisplayPort. Después, los datos viajan por Ethernet hasta un sistema NVIDIA IGX, donde el modelo ejecuta la inferencia en una GPU de la familia Blackwell.

La estimación de velocidad del sonido vuelve entonces al escáner para modificar el enfoque de la imagen en directo. NVIDIA despliega el sistema con Holoscan, una plataforma diseñada para procesar datos de sensores y ejecutar IA en tiempo real en equipos como NVIDIA IGX Thor y DGX Spark.

Lo que todavía no significa

La demostración no equivale a una herramienta médica disponible ni demuestra por sí sola que el sistema mejore los diagnósticos en hospitales. NVIDIA indica expresamente que la tecnología está en desarrollo y que su disponibilidad futura no está garantizada.

Lo que sí muestra es una posible ruta para construir ecógrafos más adaptativos: modelos que no solo interpreten la imagen final, sino que también entiendan cómo se generó y ajusten el proceso según cada paciente. El siguiente paso será comprobar si esa mejora técnica se traduce en imágenes clínicamente más útiles y en decisiones médicas más precisas.