El diagnóstico preciso y la localización de cápsulas endoscópicas a través de tecnologías avanzadas parecen estar más cerca gracias a los recientes avances en miniaturización y procesamiento de imágenes. Un equipo de investigadores ha desarrollado un sistema innovador, denominado eNCApsulate, que utiliza Neural Cellular Automata (NCAs) para mejorar la segmentación de sangrado y la estimación de profundidad en imágenes capturadas por cápsulas endoscópicas, todo en un dispositivo tan pequeño como la propia cápsula.
La nueva tecnología no solo es mucho más precisa que los modelos portátiles de segmentación de sangrado anteriores, sino que también requiere significativamente menos memoria. Esto es posible gracias a la arquitectura ligera de los NCAs, que puede integrarse en microcontroladores del tamaño de una cápsula, como el ESP32-S3. Este logro es esencial para permitir la operación autónoma de las cápsulas durante todo su trayecto a través del tracto gastrointestinal.
Los NCAs permiten realizar procesamiento de imágenes directo en la cápsula, incluso cuando se requieren operaciones complejas como la segmentación y la estimación de profundidad. Según los desarrolladores, eNCApsulate es un 29,1% más preciso que otros modelos pequeños de segmentación y solo necesita una fracción mínima de los recursos que estos modelos requieren habitualmente.
Para que las cápsulas endoscópicas se mantengan funcionales sin necesidad de sofisticados sensores externos, la localización precisa es crucial. La metodología desarrollada permite el uso de odometría visual dentro de la cápsula, aprovechando los datos de profundidad generados por los modelos NCAs entrenados. Funcionando directamente en el hardware de la cápsula, esta tecnología promete mejorar drásticamente el diagnóstico de patologías sin dejar de ser eficiente y discreta.
Estos avances tecnológicos tienen potencial para cambiar el enfoque tradicional de los procedimientos invasivos a métodos menos intrusivos, mejorando no solo la experiencia del paciente sino también la precisión y eficiencia del diagnóstico médico. Sin embargo, el éxito a largo plazo de estas tecnologías requiere el desarrollo de conjuntos de datos más extensos y realistas que faciliten entrenamientos más completos y variados para estos modelos innovadores.