Un equipo de investigadores del University College London ha desarrollado un atlas digital del cerebro humano adulto que permite visualizar hasta 333 regiones cerebrales con un grado de detalle microscópico 3D. A partir de 10 000 cortes histológicos realizados sobre cinco cerebros post mortem, combinados con imágenes de resonancia magnética (MRI) y procesados mediante técnicas de inteligencia artificial (IA), este proyecto ofrece una herramienta de segmentación automática que puede analizar escáneres en cuestión de minutos y ayudar en la detección precoz de enfermedades neurodegenerativas. Esta aportación representa un salto notable en neuroimagenología y abre nuevas vías para la investigación, el diagnóstico y el seguimiento de patologías cerebrales.

¿Cómo se ha construido este atlas y por qué marca un avance técnico?

El nuevo atlas digital, bautizado como NextBrain, emplea una metodología mixta que incorpora tanto imágenes de tejido real como escaneos MRI. Los investigadores tomaron cinco cerebros humanos post mortem, los seccionaron en cada caso en aproximadamente 10 000 láminas, cada una teñida y fotografiada mediante microscopía. A continuación, se alinearon esas imágenes con las de MRI de cada cerebro, de modo que se pudiera “ensamblar” un modelo tridimensional coherente de la anatomía cerebral.

La inteligencia artificial intervino para acelerar la segmentación: en total se identificaron 333 regiones cerebrales dentro del modelo digitalizado

Desde un punto de vista técnico, este atlas ofrece capacidades superiores a las herramientas convencionales de neuroimagen, al permitir una resolución que abarca desde la escala microscópica (tejido histológico) hasta la escala del MRI en vivo. Por ejemplo, al alinear los cortes histológicos con el MRI, se puede detectar variaciones subregionales dentro de estructuras tales como el hipocampo que antes quedaban fuera del alcance de segmentaciones automáticas estándar.

La University College London (UCL) explica que esta integración significa que un escáner de un sujeto vivo puede segmentarse con precisión en fracciones de minuto, asignando cada voxel a una de esas 333 regiones con modelos probabilísticos derivados del atlas.

En términos de capacidad, el sistema fue probado en miles de escáneres MRI de voluntarios y demostró ser robusto ante variaciones en el equipo de imagen, tipo de sujeto y calidad de la señal (News Medical). Este tipo de fiabilidad es clave cuando se pretende aplicar el método en entornos clínicos o de investigación longitudinal. Además, al estar el atlas libremente accesible, se espera que investigadores de todo el mundo lo adopten como estándar para segmentación, cuantificación y seguimiento de la morfología cerebral.

Potenciales aplicaciones en clínica e investigación

Este atlas tiene implicaciones prácticas directas tanto para la investigación como para la práctica clínica. En el ámbito de las enfermedades neurodegenerativas, como el Alzheimer, las variaciones en las subregiones del hipocampo o del córtex pueden preceder de forma significativa a la atrofia global visible en las fases avanzadas. Gracias a NextBrain, es posible detectar con mayor rapidez y precisión “micromarcadores” de cambio volumétrico o de desplazamiento estructural.

En la investigación del envejecimiento saludable, el atlas permite cuantificar cómo varían las 333 regiones cerebrales con la edad, estableciendo curvas de referencia para cada una. Si un individuo se desvía en exceso de dicha referencia, puede considerarse signo de riesgo.

Asimismo, en estudios genéticos o de población, permite automatizar la segmentación anatómica y reducir la variabilidad operadora: gracias a la IA, lo que antes podía llevar horas de segmentación manual ahora puede realizarse en minutos.

Desde el punto de vista técnico, la resolución espacio-temporal aumentada implica que la variabilidad inter-individuo en la alineación de modelos y la segmentación manual se reduce, lo que mejora la reproducibilidad del análisis longitudinal de volumen, grosor cortical o conectividad estructural.

De hecho, se estima que una segmentación manual de un cerebro toma decenas de horas; con este atlas el tiempo se reduce a minutos, lo cual facilita que las muestras en grandes estudios de cohorte puedan analizarse de forma escalable.

En entornos clínicos, la capacidad de etiquetar automáticamente regiones cerebrales en un escáner MRI puede facilitar informes más rápidos, asistencia a los neurorradiólogos y facilitar que los biomarcadores se integren en los flujos de trabajo hospitalarios. Aunque aún no se ha generalizado la aprobación clínica de todas sus funciones, la herramienta ya presenta un claro paso hacia la medicina personalizada del cerebro.

Consideraciones y retos técnicos

A pesar de sus muchas ventajas, existen ciertos retos y limitaciones técnicas. Uno de los primeros es que, aunque el atlas está basado en cinco cerebros adultos post mortem, la generalizabilidad a toda la población (edades, patologías, etnias) puede requerir validaciones adicionales.

Los modelos atlas asumen una “morfología promedio”, lo que implica que cuando un sujeto presente una malformación atípica o un cambio patológico severo, la segmentación puede perder precisión.

El proceso de alineación entre microscopía y MRI demanda corrección de distorsiones, variabilidad de tinción, diferencias de contracción tisular y artefactos de corte. El uso de IA facilita la tarea, pero la calidad del modelo resultante depende de la calidad de los datos de entrada: una mala calidad en los cortes o un escáner MRI de baja señal puede introducir errores.

Otro aspecto relevante es que la segmentación anatómica, por excelente que sea, no sustituye la necesidad de una interpretación funcional o clínica fiel: la morfología cerebral es un factor, pero los cambios funcionales o bioquímicos pueden preceder incluso los cambios estructurales.

Por tanto, aunque el atlas permite una granularidad mayor, su uso no elimina la necesidad de buenos protocolos clínicos, validación de biomarcadores y correlación con datos clínicos.

Además, la gestión de grandes volúmenes de datos MRI de alta resolución sigue siendo un desafío en estudios multicéntricos. Aunque la segmentación se automatiza, los requisitos de computación, almacenamiento e interoperabilidad siguen siendo barreras para su implementación generalizada.

Reflexiones adicionales

El desarrollo del atlas NextBrain es un claro ejemplo de cómo la combinación de técnicas tradicionales (histología, MRI) con inteligencia artificial está cambiando el panorama de la neurociencia.

El poder de la IA radica precisamente en la capacidad de manejar grandes volúmenes de datos heterogéneos, alinear múltiples escalas espaciales y automatizar procesos que antes eran lentos y manuales.

Un artículo técnico relacionado analiza cómo los modelos generativos de IA pueden sintetizar MRI 3D anatómicamente plausibles para complementar la escasez de datos: Metadata-Conditioned Generative Models to Synthesize Anatomically-Plausible 3D Brain MRIs.

Asimismo, es importante situar este avance dentro del contexto de mapas cerebrales previos. Por ejemplo, el proyecto BigBrain proporcionó un atlas de ultra-alta resolución de un solo cerebro con aproximadamente 20 µm de resolución.

El nuevo atlas de la UCL traslada esa clase de precisión a la segmentación de MRI en sujetos vivos, lo cual supone un cambio significativo.

En definitiva, el uso de herramientas como NextBrain no solo responde a un interés técnico o académico: tiene el potencial de afectar la forma en que diagnosticamos, monitorizamos y tratamos patologías cerebrales, lo cual puede redundar en beneficios tangibles para la salud.

Al mismo tiempo, abre preguntas sobre cómo se integrarán estas tecnologías en la práctica clínica, quién tendrá acceso a ellas y cómo se garantizará la interoperabilidad de los datos.

Para los investigadores, la disponibilidad libre del atlas representa una oportunidad de estandarización y replicabilidad que podrá acelerar los descubrimientos. Para los clínicos, la herramienta puede ser un aliado para hacer diagnósticos más precisos y cuantificar desviaciones anatómicas.

En resumen, estamos entrando en una era donde la imagenología cerebral, la inteligencia artificial y el big data se combinan para ofrecer nuevas formas de visualizar el cerebro humano.