EEG clínico: ¿un modelo visión-lenguaje generalista que «mira» el trazado rivaliza con los modelos de fundación de EEG? Sí en algunas tareas, no en todas

Un equipo del Massachusetts General Hospital, Harvard y Binghamton University pregunta si un modelo visión-lenguaje generalista, nunca preentrenado con EEG, puede leer un electroencefalograma presentado como imagen, como lo haría un neurólogo. En tres conjuntos de datos públicos, un Qwen3-VL-4B ajustado iguala a los modelos de fundación de EEG en la detección de anomalías y de puntas epileptiformes, pero no en la clasificación de seis clases de TUEV con la partición oficial, y la validación sigue siendo retrospectiva. El resultado es útil para la investigación, todavía no para la clínica.

El contexto

El EEG registra la actividad eléctrica del cerebro mediante electrodos en el cuero cabelludo. Sirve para detectar anomalías, crisis epilépticas o descargas interictales (IED, puntas epileptiformes entre crisis). Su lectura es lenta y requiere un experto. Los modelos de fundación de EEG (LaBraM, CBraMod, BIOT, EEGPT, entre otros) son redes preentrenadas con grandes cantidades de registros sin anotar y luego adaptadas a una tarea concreta: un foundation model es un modelo general reutilizable tras un entrenamiento inicial costoso.

El problema es que los corpus de EEG son mucho más pequeños que los de imágenes o texto. La idea probada aquí rodea esa carencia: un vision-language model (VLM), que procesa imágenes y texto, ya ha visto miles de millones de imágenes. Si el EEG se dibuja como lo ve el clínico, con trazados apilados, un VLM podría aprovecharlo sin preentrenamiento en EEG.

El método

La señal se convierte a microvoltios, se remuestrea (200 a 250 Hz según el conjunto), se divide en ventanas y se organiza en un montaje bipolar longitudinal, la disposición estándar de lectura clínica (18 derivaciones a partir de 19 electrodos, 16 para TUEV). La representación por defecto combina los trazados (montaje) con un espectrograma, imagen de la potencia de la señal por frecuencia a lo largo del tiempo. Cada imagen va acompañada de un texto fijo con las etiquetas posibles. El modelo principal es Qwen3-VL-4B (4000 millones de parámetros); otros tamaños (2B, 8B, 32B), InternVL3-8B, Phi-3.5 Vision y Llama 3.2 Vision sirven de comparación.

La adaptación se hace con LoRA (low-rank adaptation, que entrena solo un pequeño conjunto de pesos añadidos) o con «cabeza sola» (head-only: solo se reentrena la última capa de clasificación). Hay tres tareas principales: TUAB (EEG normal o anormal, 1660 sujetos de entrenamiento en la partición oficial), TUEV (eventos de EEG de seis clases, 232 sujetos) y vEpiSet (detección de puntas epileptiformes, 67 sujetos). Otros tres conjuntos, SPaRCNet, SpikeNet2 y SeizeIT2, se usan en pruebas few-shot, es decir con pocos ejemplos (128 o 384 ventanas). La métrica principal es la balanced accuracy, media de la tasa de acierto de cada clase: el azar da 0,50 con dos clases y cerca de 0,17 con seis. Los comparadores son modelos especializados (EEGNet, EEG-Conformer y otros), modelos de fundación de EEG y cifras de la literatura.

Los resultados

En métricas de ML: en TUAB, Qwen3-VL-4B con LoRA alcanza 0,805 de balanced accuracy (AUROC 0,877), frente a 0,795 de BIOT, 0,828 de CBraMod y 0,831 de Reve; los autores califican la tarea de «saturada». En vEpiSet obtiene 0,835 (AUROC 0,906), frente a 0,763 del mejor modelo de EEG citado, BIOT. En TUEV el panorama es más matizado: 0,601 con la partición canónica, por debajo de CBraMod (0,667), Reve (0,676) y CS-Brain (0,690); con la partición «EEG-Bench», los VLM de 8B y 32B suben a 0,750 y 0,746, al nivel de Reve (0,739). El tamaño importa: en TUEV canónico, la balanced accuracy pasa de 0,573 (2B) a 0,653 (32B). En zero-shot, sin ejemplos, el VLM queda cerca del azar en TUEV (0,169 el modelo base, 0,275 el de 32B).

En few-shot, con 64 ejemplos en total en TUAB, el VLM base obtiene 0,648 frente a 0,657 de EEGPT. Más revelador: un VLM adaptado primero a una tarea vecina gana en transferencia (SPaRCNet: de 0,217 a 0,350; SeizeIT2: de 0,607 a 0,707), mientras que LaBraM y CBraMod pierden terreno en las mismas condiciones. La elección de la imagen también cuenta: en SpikeNet2, un formato alargado (1800×256) sube de 0,545 a 0,626.

Traducción clínica, como orden de magnitud: una balanced accuracy de 0,805 en TUAB significa que, de media, el 19,5 % de las ventanas de cada clase se clasifican mal. Con 1000 ventanas normales y 1000 anormales, son unos 390 errores si se reparten por igual; el artículo, tal como lo leí, no da el reparto entre falsos positivos y falsos negativos en el umbral elegido. En TUEV canónico, 0,601 en seis clases deja cerca de cuatro eventos de cada diez mal etiquetados de media por clase. Estas cifras describen ventanas aisladas de un corpus, no a un paciente.

Lo que está bien

Primero, la amplitud de la comparación: cinco familias de VLM y cuatro tamaños de Qwen, unos quince modelos especializados, cinco modelos de fundación de EEG, dos particiones de TUAB y TUEV, y desviaciones típicas en las pruebas few-shot. Mostrar que el resultado depende de la partición (TUEV: 0,601 frente a 0,715 para el 4B) es una honestidad útil.

Segundo, ablaciones precisas de la representación visual: montaje solo, espectrograma, escalograma (transformada wavelet), combinaciones, resolución. Se aprende qué cuenta: por ejemplo, añadir el escalograma al montaje eleva el kappa de TUEV de 0,597 a 0,688 con cabeza sola.

Tercero, la transparencia sobre el marco: financiación de los NIH (UG3NS143749), sin conflictos de intereses declarados, conjuntos de datos públicos o de acceso controlado descritos uno a uno, y límites escritos en el texto (solo tareas visuales, coste de cálculo de un modelo mucho mayor que un codificador de EEG, sensibilidad a los hiperparámetros de los modelos de fundación).

Lo que está menos bien

Primero, un riesgo de fuga de datos (data leakage) no descartado en el texto: el artículo da el número de sujetos por partición pero, según mi lectura, no confirma que las particiones sean disjuntas por sujeto. En EEG, ventanas del mismo paciente en entrenamiento y prueba inflan las puntuaciones. La tabla de conjuntos de datos contiene además una incoherencia (15 s en la tabla, 10 s en el texto para TUAB «EEG-FM»).

Segundo, sesgo de población y de alcance: TUAB y TUEV proceden de la misma base hospitalaria estadounidense (Temple University), vEpiSet tiene solo 9 sujetos de prueba y no se informa de validación externa prospectiva. Detectar puntas en 9 sujetos no dice cómo se comporta el modelo en otro servicio con otro amplificador. Hay además un comparador variable: las cifras de los competidores proceden en parte de la literatura, con protocolos de entrenamiento que pueden diferir, y en TUEV los modelos de fundación conservan la ventaja con la partición canónica.

Tercero, una métrica que oculta el uso real: la balanced accuracy se promedia entre clases y no dice nada de la sensibilidad con un umbral de alerta realista para crisis raras, ni de las falsas alarmas por hora de registro. Hasta donde sé, el artículo tampoco publica su código ni sus pesos ajustados, y no indica licencia, por lo que el resultado es difícil de reproducir.

Lo que cambia

Para la comunidad investigadora: un argumento serio de que el preentrenamiento generalista puede bastar en tareas «visuales», con ventaja en la transferencia entre tareas vecinas. Falta ver si la diferencia se mantiene frente a modelos de fundación de EEG más recientes con protocolos idénticos.

Para los clínicos: nada cambia hoy en la práctica. Un modelo de 4 a 32 mil millones de parámetros es pesado para el tiempo real en planta, y no se menciona ningún paso prospectivo ni regulatorio (marcado CE, FDA). A medio plazo, son concebibles ayudas a la lectura de EEG más fáciles de adaptar a un nuevo hospital.

Para los pacientes y el público: la IA podría ayudar a clasificar registros largos y acortar la espera de una lectura experta, pero este trabajo se refiere a corpus de investigación, no a decisiones de atención.

Para ir más lejos

Artículo: arXiv 2611.05538 (DOI 10.48550/arXiv.2611.05538), Zhou, Sergeeva, Bi, Song, Yin, Deng. Datos: TUAB y TUEV (Temple University, acceso controlado), vEpiSet (acceso abierto), SPaRCNet y SpikeNet2 (BDSP, acceso controlado), SeizeIT2 (OpenNeuro ds005873, CC0). Modelos base: la familia Qwen3-VL.

Nota de transparencia editorial: este artículo fue producido por la cadena editorial automatizada de Tatakoto a partir del PDF del preprint; los anexos (en particular los detalles de las cohortes) no se revisaron. Las versiones en inglés, español y chino se generan con IA. ¿Un error? Contáctenos.