Sturgeon IA: Clasificación de Tumores Cerebrales en Tiempo Real con Deep Learning

Vivimos en una era de saturación informativa sobre inteligencia artificial. Cada día surgen nuevos modelos, startups y funcionalidades que nos abruman, la mayoría centradas en grandes modelos de lenguaje (LLMs) con usos a veces banales. Sin embargo, existen proyectos que, aunque menos mediáticos, demuestran un uso técnico y práctico de la IA con impacto real. Uno de ellos es Sturgeon.

Conocí este proyecto a través del número de enero de National Geographic, y representa una de las aplicaciones de IA que realmente puede cambiar vidas: un sistema de clasificación de tumores cerebrales durante la cirugía, que combina secuenciación genética con aprendizaje profundo.

El Problema

En neurocirugía, ciertos tumores cerebrales solo pueden ser diagnosticados correctamente una vez que el paciente está en quirófano. El procedimiento estándar implica:

• Realizar una biopsia tras abrir el cráneo.
• Enviar la muestra al laboratorio.
• Esperar hasta 10 días por un diagnóstico preciso.

Existe una alternativa más rápida: congelar la muestra, hacer un corte transversal y analizarla al microscopio. Este método entrega un resultado en 15-20 minutos, pero su fiabilidad es baja. Las decisiones basadas en este análisis pueden ser erróneas, con consecuencias graves: intervenciones agresivas innecesarias o, peor, la omisión de tratamiento adecuado.

La Solución Técnica: IA + Secuenciación por Nanoporos

Sturgeon combina dos campos distintos:

• Secuenciación molecular por nanoporos, capaz de leer ADN en tiempo real.
• Deep learning supervisado, entrenado para clasificar tipos de tumores a partir de patrones epigenéticos (metilación del ADN).

El desafío técnico es considerable:

• El input es escaso: pequeñas muestras en tiempo real.
• Solo hay unos 100 casos clínicos al año, lo que limita los datos para entrenar la IA.

¿Qué es Sturgeon?

Sturgeon es un clasificador multiclase entrenado para reconocer tumores del sistema nervioso central. Su arquitectura es una red neuronal densa de tres capas, diseñada para inferir la clase de tumor a partir de simulaciones de datos de metilación del ADN.

Me gusta mucho que podemos revisar el modelo de Sturgeon en su GithHub y aprender cómo lo han montado.

Datos de Entrenamiento

• 2.801 muestras de referencia del dataset de Capper et al.
• Generación de 45 millones de datos sintéticos mediante simulación de secuenciación por nanoporos.

Arquitectura del Modelo

• Tres capas totalmente conectadas:
  • FC1: 428,643 → 256
  • FC2: 256 → 128 (activación sigmoide)
  • FC3: 128 → N clases (91 o 30)
• Dropout: 0.5
• Función de pérdida: Cross-entropy
• Output: calibrado y transformado con softmax

Entrenamiento

El modelo fue entrenado con un enfoque de curriculum learning, comenzando por simulaciones fáciles y progresando hacia más difíciles.

• Preentrenamiento: 3.000 epochs
• Ajuste fino: 3.000 epochs adicionales
• Optimizador: AdamW
• Validación: cada 2.000 lotes (12.800 muestras)

Rendimiento y Resultados

• Precisión: 90% en menos de 40 minutos
• 45 de 50 casos correctamente clasificados en pruebas retrospectivas
• 18 de 25 diagnósticos correctos en cirugías reales en menos de 90 minutos

Relevancia desde la Ingeniería de IA

Sturgeon es un ejemplo de IA aplicada y especializada. No es un LLM, ni un chatbot, sino un classifier optimizado para tareas multiclase con input escaso y requisitos críticos:

• Entrenamiento robusto con pocos datos reales
• Simulación masiva de input para entrenamiento
• Modelo eficiente con inferencia en tiempo real

Enlaces de interés

• Artículo en Nature
• Repositorio oficial
• Repositorio de desarrollo
• Secuenciación por Nanoporos
• National Geographic

El artículo Sturgeon IA: Clasificación de Tumores Cerebrales en Tiempo Real con Deep Learning se publicó primero en Ikkaro.