Microecografía de próstata: qué cambia µFM, un foundation model preentrenado con 1,7 millones de imágenes, cuando faltan anotaciones
Un equipo de UCLA entrenó µFM, un foundation model (un modelo grande preentrenado sin etiquetas y luego adaptado a tareas concretas), con 1 736 391 imágenes de microecografía prostática, una ecografía de muy alta resolución usada para guiar biopsias. Con solo el 10 % de los escáneres anotados, µFM alcanza un Dice del 93,8 % en la cápsula prostática y del 58,4 % en la uretra, frente al 87,9 % y 47,0 % del mejor comparador, y detecta lesiones clínicamente significativas con una sensibilidad de 0,762 con dos falsas alarmas por volumen. La ventaja es clara cuando faltan anotaciones y se diluye cuando se anota todo; las pruebas siguen siendo monocéntricas y retrospectivas, sin validación externa en dos de las tres tareas, y varios autores tienen vínculos con el fabricante del equipo.
El contexto
La microecografía («microUS») es una modalidad de imagen de la próstata de alta resolución que los autores describen como emergente para el diagnóstico del cáncer de próstata y la guía de biopsia en tiempo real. Su interpretación sigue siendo difícil: hay que delimitar la próstata, localizar la uretra para preservarla en un tratamiento focal y decidir qué zonas biopsiar. Cada tarea exige normalmente muchas imágenes anotadas a mano por expertos, lo que es lento y costoso.
Los foundation models intentan sortear ese cuello de botella: se preentrena una red grande con una masa de imágenes sin etiquetas para que aprenda las regularidades visuales del dominio y luego se ajusta (fine-tuning) con pocos ejemplos anotados. Ya existen varios modelos así para la ecografía en general. La apuesta de este artículo es que un modelo específico de una sola modalidad, la microUS, debería superar a los modelos generalistas o «de toda la ecografía».
El método
El modelo. µFM se basa en un ViT-B/16, un Vision Transformer, arquitectura que corta la imagen en parches de 16 × 16 píxeles tratados como las palabras de una frase. Su preentrenamiento sigue la receta DINOv2: una red «alumna» debe reproducir las representaciones de una red «profesora» a partir de versiones deformadas o enmascaradas de la misma imagen (objetivos DINO e iBOT), sin etiquetas. El artículo no indica el número de parámetros.
Datos de preentrenamiento. 1 736 391 imágenes de 6 610 escáneres de 780 pacientes, adquiridas en UCLA entre enero de 2023 y abril de 2026, antes y después de la biopsia, todas con una misma plataforma de microUS y un único operador. Los pacientes usados después para las pruebas se excluyen del preentrenamiento.
Las tres tareas posteriores. Segmentación de la cápsula prostática (conjunto público de la Universidad de Florida: 75 pacientes, 45 para entrenamiento, 10 para validación y 20 para prueba); segmentación de la uretra (UCLA: 105 pacientes, 60/15/30); y localización de lesiones clínicamente significativas, es decir, de grupo de grado 2 o superior (UCLA: 190 pacientes, 110/22/58, con 48 pacientes con lesión y 10 sin lesión en la prueba). La segmentación consiste en asignar a cada píxel una etiqueta («cápsula», «uretra», «fondo»).
Los comparadores. El mismo ViT-B inicializado al azar, o preentrenado con iBOT y DINOv2 (imágenes naturales), BiomedCLIP (imágenes biomédicas) y cuatro modelos de ecografía (USFM, URFM, USF-MAE, EchoCare), además de tres redes entrenadas desde cero: nnU-Net (un marco de segmentación que configura solo su flujo), TransUNet y MicroSegNet. Los modelos de segmentación se ajustan con el 10, 20, 50 y 100 % de los escáneres de entrenamiento, con cinco repeticiones y semillas aleatorias distintas. La estadística usa pruebas de Wilcoxon con corrección de Holm.
Las métricas. El Dice mide el solapamiento entre la máscara predicha y la de referencia (1 = perfecto). La HD95 es la distancia, en milímetros, por debajo de la cual se encuentra el 95 % del contorno predicho respecto al de referencia: cuanto menor, mejor. La FROC traza la sensibilidad (proporción de lesiones encontradas) frente al número de falsas detecciones por volumen.
Los resultados
Métricas de ML. Cápsula, con el 10 % de los escáneres: Dice 93,8 ± 0,6 % y HD95 2,0 ± 0,4 mm para µFM, frente a 87,9 % y 5,8 mm de EchoCare, el mejor comparador preentrenado, y 85,8 % de nnU-Net. Uretra, con el 10 %: Dice 58,4 ± 1,0 % y HD95 4,3 mm, frente a 47,0 % y 6,8 mm de EchoCare. Con el 100 % de los escáneres la brecha se reduce: 95,1 % para µFM frente a 94,6 % para nnU-Net en la cápsula, diferencia no significativa (pHolm = 0,648 para el Dice); 63,1 % frente a 59,4 % de EchoCare y 58,2 % de MicroSegNet en la uretra, no significativa frente a estos dos. Para la lesión, con una falsa detección por volumen la sensibilidad es de 0,648 ± 0,023 (URFM: 0,507) y con dos de 0,762 ± 0,030 (URFM: 0,559). No se reporta ninguna prueba estadística para esta tarea.
Traducción clínica. En la cápsula, el 10 % de los escáneres de entrenamiento equivale aquí a unos cinco escáneres (cálculo a partir de los 45 pacientes de entrenamiento); alcanzar un Dice de 93,8 % con tan poca anotación interesa a un servicio que quiera adaptar la herramienta a su propio equipo. Un Dice de 58,4 % en la uretra significa que las falsas detecciones más las omisiones representan alrededor de 1,4 veces el volumen correctamente segmentado: el contorno sigue siendo aproximado, lo que importa para una estructura que debe preservarse en un tratamiento focal. En detección, con dos falsas alarmas por volumen se encuentran unas tres de cada cuatro lesiones: de 100 lesiones reales, unas 24 se pierden frente a unas 44 con el mejor comparador, pero cada examen generaría en promedio dos zonas por revisar. El número exacto de lesiones de la prueba no figura en el texto.
Lo que está bien
Escala y comparación amplia. 1,7 millones de imágenes preentrenadas en un dominio estrecho, frente a once referencias de cuatro familias (imágenes naturales, biomédicas, ecografía general, redes supervisadas), con cinco semillas y pruebas corregidas por comparaciones múltiples.
Una medida de la sobriedad en anotaciones. Los resultados se dan con el 10, 20, 50 y 100 % de los escáneres, lo que muestra dónde ayuda el preentrenamiento y dónde deja de ayudar. Los autores no ocultan que con el 100 % nnU-Net iguala a µFM en la cápsula.
Una separación cuidadosa de pacientes. Los pacientes de las tareas posteriores se excluyen del preentrenamiento a nivel de paciente, lo que limita el data leakage (fuga de información de la prueba al entrenamiento). Además, el conjunto de la cápsula procede de otra institución, la Universidad de Florida, lo que aporta una primera prueba fuera del centro para esa tarea.
Lo que está peor
Sesgo de población y de dispositivo. El preentrenamiento y dos de las tres tareas proceden de un solo hospital, una sola plataforma y un solo operador. El riesgo es el shortcut learning: el modelo puede apoyarse en firmas del equipo o del modo de escanear de ese operador en lugar de la anatomía. Los autores reconocen la ausencia de validación externa o prospectiva para la uretra y las lesiones.
Muestras de prueba pequeñas e incertidumbre mal descrita. Las pruebas cuentan con 20, 30 y 58 pacientes. Las desviaciones estándar abarcan cinco repeticiones de entrenamiento, no el muestreo de pacientes: miden la estabilidad de la optimización, no la incertidumbre estadística del rendimiento. No hay prueba para la detección de lesiones ni ablación que aísle qué produce la mejora: la especificidad del dominio, el volumen de datos o la receta de entrenamiento. Además, µFM se preentrena con imágenes de la institución que también aporta las pruebas de uretra y lesiones, mientras que, según el texto, los comparadores proceden de otras fuentes: la comparación es menos simétrica de lo que parece.
Una métrica favorecedora y una tarea alejada de la clínica. Un Dice del 95 % en la cápsula deja poco margen: con el 100 % de anotación la diferencia con nnU-Net no es significativa. Para las lesiones, una sensibilidad de 0,762 con dos falsas detecciones por volumen es un punto de una curva FROC promediada, no una tasa de detección por paciente. El artículo mide el rendimiento algorítmico, no su efecto en la selección de dianas de biopsia ni en el flujo de trabajo. A ello se suman conflictos de interés: un autor está afiliado a Exact Imaging, fabricante del equipo ExactVu usado, otros dos reciben financiación u honorarios de esa empresa y otro tiene un interés financiero en Siemens Healthineers. La financiación pública procede de los NIH (R01-CA248506 y R01-CA272702). No se declara la disponibilidad del código ni de los pesos, y los datos no son públicos.
Lo que cambia
Para la comunidad investigadora. El artículo ofrece un punto de comparación sólido para la microUS y sugiere que un modelo específico de modalidad ayuda sobre todo cuando las anotaciones escasean. Los siguientes pasos lógicos: probarlo en otros centros y otros equipos, con ablaciones, y publicar el código y los pesos para que otros lo verifiquen.
Para los clínicos. Hoy no cambia nada: es un preprint, no una herramienta validada, y ningún resultado concierne a la decisión de biopsiar. A largo plazo, un modelo base adaptable con unas decenas de anotaciones podría reducir el coste de poner en marcha herramientas de segmentación o ayuda a la selección de dianas, siempre que se demuestre que se mantiene de un hospital a otro.
Para pacientes y público. Una mejor delimitación de la próstata, la uretra y las zonas sospechosas podría, si la validación acompaña, hacer más precisas las biopsias y los tratamientos focales. Estamos lejos: el artículo no dice nada sobre diagnósticos perdidos ni biopsias evitadas en la práctica.
Para ir más lejos
El preprint está disponible en medRxiv: doi.org/10.64898/2026.09.29.26364330. Se apoya en el conjunto público de MicroSegNet (Universidad de Florida) para la cápsula prostática. Los comparadores citados (DINOv2, BiomedCLIP, USFM, URFM, USF-MAE, EchoCare, nnU-Net, TransUNet, MicroSegNet) se describen en sus publicaciones respectivas. El preprint no ha sido revisado por pares; su licencia es CC BY-NC-ND 4.0.
Transparencia editorial: este artículo se elaboró con ayuda de herramientas de inteligencia artificial a partir del texto del preprint; las versiones en inglés, español y chino son traducciones automáticas.