Topología y transformers de visión para clasificar tumores cerebrales: ¿cuánto vale una exactitud del 99,1 % en una sola base de RM? (Ahmed 2026, arXiv)

Faisal Ahmed (Embry-Riddle Aeronautical University, Arizona) publica el 30 de mayo de 2026 en arXiv un modelo que fusiona un transformer de visión con el análisis topológico de datos para clasificar RM cerebrales en cuatro categorías — glioma, meningioma, tumor de hipófisis, ausencia de tumor. Declara un 99,10 % de exactitud y un AUC del 99,98 % en el benchmark público BRISC2025. El resultado es limpio y la idea metodológica interesante, pero la ganancia sobre los modelos existentes queda dentro del ruido, la evaluación se apoya en una sola base cuya partición imagen por imagen no descarta la fuga de datos, y el conjunto de prueba se usa también para elegir el modelo — un recordatorio clásico de que una puntuación casi perfecta no es una herramienta validada clínicamente.

El contexto

Clasificar automáticamente una RM cerebral — ¿hay un tumor y, de ser así, cuál? — es una de las tareas de imagen médica más trabajadas por la IA. Desde hace unos años, los transformers de visión (vision transformers, abreviados ViT: redes que dividen la imagen en pequeños mosaicos y aprenden las relaciones entre todos ellos, en lugar de barrer la imagen con filtros locales como hacían las antiguas redes convolucionales) dominan las clasificaciones. En las bases públicas de referencia, los mejores modelos se estancan ya en torno al 98-99 % de exactitud.

El autor parte de una intuición legítima: un ViT capta sobre todo el contexto global de una imagen, pero no explícitamente su forma ni su estructura — la conexión de las regiones, la presencia de cavidades, cómo se organizan geométricamente las intensidades. Y un tumor tiene una firma morfológica. La idea es, por tanto, añadir al ViT una descripción procedente del análisis topológico de datos (TDA), una rama de las matemáticas aplicadas que cuantifica la "forma" de un objeto, y ver si esa señal complementaria mejora la clasificación.

El método

El trabajo es un preprint de arXiv (2606.00927, publicado el 30 de mayo de 2026, 21 páginas, licencia CC BY 4.0, aún sin revisión por pares). La tarea es una clasificación de cuatro clases: glioma, meningioma, tumor hipofisario y ausencia de tumor.

El modelo tiene dos ramas. La primera es un ViT-Base (mosaicos de 16 píxeles, entrada 224×224) preentrenado en ImageNet, una gran base de imágenes naturales; para cada RM produce un vector de 768 números que resume su contenido. La segunda rama calcula la homología persistente de la imagen: en la práctica, se recorren las intensidades de los píxeles de la más oscura a la más clara y se anota en qué umbrales aparecen y desaparecen componentes conexas, y en qué umbrales se forman "agujeros". Esto se resume mediante curvas de Betti (el número de componentes y de agujeros en cada umbral), condensadas en un vector de 198 números, a su vez reducido a 64 por una pequeña red. Las dos descripciones — 768 del ViT, 64 de la topología — se concatenan sin más (832 números) y se envían a un clasificador final que elige una de las cuatro categorías.

Los datos proceden de BRISC2025, una base pública de 6 000 RM cerebrales ponderadas en T1 con contraste, anotadas por radiólogos. El autor usa la partición oficial: 5 000 imágenes para entrenar, 1 000 para probar. Un detalle que importará: esta partición se hace imagen por imagen, y el artículo nunca informa del número de pacientes distintos. No se usa aumento de datos, ni validación cruzada, y todo se entrenó en un simple portátil Apple M1 sin tarjeta gráfica dedicada.

Los resultados

En las 1 000 imágenes de prueba, el modelo fusionado alcanza un 99,10 % de exactitud, una precisión del 99,27 %, una sensibilidad (recall) del 99,15 %, un F1 del 99,21 % y un AUC del 99,98 % (el AUC, área bajo la curva ROC, mide la capacidad de separar las clases: 100 % sería una separación perfecta; las cifras de precisión, recall y F1 son promedios sobre las cuatro clases). Sobre el papel, es casi perfecto.

El problema es con qué se compara. El mismo ViT solo, sin la rama topológica, ya alcanza un 98,90 % de exactitud y un 99,97 % de AUC; las características topológicas solas, clasificadas por un algoritmo de árboles (XGBoost), llegan al 98,19 %. Las demás referencias citadas — ResNet50, ResNet101, EfficientNetB2 — están entre el 98,1 y el 98,4 %. Dicho de otro modo, la aportación propia de la fusión es del orden de +0,2 puntos de exactitud y +0,01 puntos de AUC sobre un comparador que ya está en el 98,9 %. Ningún intervalo de confianza, ninguna prueba de significación, ninguna repetición sobre varias particiones respalda que esa diferencia sea real y no fruto del azar de un único sorteo.

Traducción clínica. Seamos claros: estas cifras no se traducen en nada clínico. Un 99,1 % sobre 1 000 imágenes representa unas nueve imágenes mal clasificadas — pero son imágenes, no pacientes, y la clase "sin tumor" solo cuenta con 140 imágenes de prueba, de modo que un puñado de errores allí desplazaría mucho las tasas. Sobre todo, clasificar en cuatro grandes categorías una RM ya adquirida y encuadrada no es la tarea del radiólogo, que debe detectar, localizar, graduar, medir y decidir una conducta. No figuran en el estudio ni sensibilidad o especificidad de cribado, ni comparación con un clínico, ni medida sobre un criterio asistencial.

Lo que está bien

Una idea metodológica limpia, respaldada por una ablación. Acoplar una descripción explícita de la forma (homología persistente) a características profundas es una vía legítima y bien planteada. El punto más convincente no es la puntuación final, sino la ablación: las características topológicas solas, sin red profunda alguna, ya clasifican al 98,19 %. Esto muestra que la topología de la imagen porta una señal discriminante real — un resultado interesante en sí mismo, al margen de la fusión.

Un coste de cómputo mínimo, plenamente reproducible. El entrenamiento cabe en un portátil Apple M1, sin aumento de datos ni GPU dedicada. Es lo opuesto a los modelos que solo alcanzan sus puntuaciones a costa de granjas de cómputo: aquí nada depende de una infraestructura masiva, lo que hace el resultado fácil de reproducir y de cuestionar. Los datos son públicos y el artículo está bajo licencia abierta CC BY 4.0.

Una transparencia parcial sobre los límites. El autor reconoce explícitamente que la evaluación se limita a una sola base y que sigue siendo necesaria una validación en conjuntos externos, en otras condiciones de adquisición y otros contextos clínicos, antes de hablar de generalización. Es precisamente la cautela que omiten la mayoría de los anuncios rimbombantes.

Lo que está menos bien

Un comparador saturado y una métrica engañosa. Cuando el comparador — el ViT solo — ya está en el 98,9 %, apenas queda margen para demostrar una mejora. Una ganancia de 0,2 puntos en una sola partición, sin intervalo de confianza ni prueba estadística, está dentro del ruido: no se puede distinguir un avance real de una fluctuación de muestreo. En un benchmark tan saturado, el reflejo correcto es repetir el experimento sobre varias particiones e informar de una dispersión; aquí no hay nada de eso.

Una fuga de datos no descartada, y un conjunto de prueba que también valida. La partición se hace imagen por imagen y nunca se da el número de pacientes. Pero las bases de RM suelen contener varios cortes de un mismo paciente: si algunos caen en el entrenamiento y otros en la prueba, el modelo reconoce al paciente en lugar de la patología — es la fuga de datos (data leakage), y eleva artificialmente las puntuaciones. El artículo no controla este punto. Peor aún, el conjunto de prueba también se usa para la parada anticipada (se conserva el mejor modelo según su rendimiento en la prueba): el 99,1 % se mide, pues, sobre datos que participaron en la elección del modelo, y no sobre un conjunto realmente reservado.

Ninguna validación externa, ninguna traducción clínica, código no compartido. Todo se apoya en una sola base, una sola secuencia de RM (T1 con contraste), una sola partición. Se ignora qué haría el modelo en otro escáner, otro hospital, otra población — el clásico sesgo de población, nunca probado aquí. La tarea misma sigue siendo académica: cuatro categorías amplias sobre imágenes preseleccionadas, lejos del flujo real de un servicio de radiología. Por último, pese a la mención de un código "preparado", no se aporta ningún repositorio GitHub o Hugging Face, lo que limita la verificabilidad.

Lo que cambia

Para la comunidad investigadora. La señal más útil es la ablación topológica: la homología persistente capta por sí sola la mayor parte de la información en este conjunto. Eso invita a probar la fusión topología + aprendizaje profundo donde realmente podría importar — en bases no saturadas, con partición a nivel de paciente y validación externa — en lugar de arañar décimas de punto en un benchmark ya resuelto. Discutimos la misma lógica para los modelos de fundación en radiografía en nuestro análisis de SkelEx.

Para los clínicos. Hoy no cambia nada. Un 99 % en un benchmark limpio no es un rendimiento en condiciones reales, y la pregunta clínicamente pertinente no es "¿glioma, meningioma, hipófisis o nada?" sobre un corte elegido. La brecha entre una puntuación de clasificación y una herramienta utilizable sigue abierta de par en par.

Para los pacientes y el público. Es un buen momento para entrenar la desconfianza: un anuncio del tipo "una IA clasifica los tumores cerebrales con un 99 % de precisión" casi siempre describe una puntuación sobre un conjunto de prueba cuidadosamente curado, no lo que ocurriría con su RM. La cifra no es falsa; simplemente no significa lo que se cree. Hicimos la misma advertencia sobre los formatos de respuesta de los modelos de lenguaje en radiología en nuestro análisis sobre GPT-4 y la radiología.

Para profundizar

El preprint: Bridging Topology and Deep Representation Learning (arXiv:2606.00927), DOI 10.48550/arXiv.2606.00927. Para entender la herramienta matemática empleada, véase la homología persistente. El conjunto BRISC2025 es público. A día de hoy no se ha publicado código ni pesos.