La inteligencia artificial identifica el sexo en radiografías de mano con más del 95% de precisión

La inteligencia artificial ha marcado un avance relevante en la antropología y la medicina forense al demostrar que es posible determinar el sexo de una persona a partir de radiografías de mano con una precisión superior al 95%. Así lo indica el estudio liderado por Karel Becerra, publicado en la revista Computers in Biology and Medicine de Elsevier, que también explora la aplicación de estos modelos en el análisis de huellas de manos prehistóricas, aportando nuevas perspectivas sobre la participación femenina en el arte rupestre prehistórico.

El trabajo, desarrollado en colaboración internacional entre Azyri (Miami), la Universitat Jaume I (España) y la Universidad Autónoma de Ciudad Juárez (México), se basa en el análisis de radiografías de manos de pacientes pediátricos, utilizando datos recopilados hasta 2025 de hospitales estadounidenses. Los resultados, atribuidos al estudio de Karel Becerra, muestran que los modelos de inteligencia artificial no solo superan a los expertos humanos en la clasificación de sexo por radiografías, sino que también pueden transferirse para estimar el sexo de los autores de pinturas rupestres europeas, reforzando la hipótesis de una significativa participación femenina en la creación de estas obras.

Segment Anything Model y metodología aplicada

El núcleo de la investigación reside en la aplicación del Segment Anything Model (SAM), un modelo de segmentación universal que permite identificar regiones anatómicas relevantes en imágenes médicas sin necesidad de entrenamiento adicional ni anotaciones costosas. El estudio de Karel Becerra implementó una estrategia de segmentación automática de la mano basada en criterios geométricos, evitando así el uso de prompts o ajustes manuales. Esta metodología, combinada con técnicas de deep learning y el uso de modelos de redes neuronales convolucionales (CNN), permitió analizar diferentes representaciones de las radiografías: desde la imagen original hasta la silueta de la mano y versiones mejoradas mediante técnicas de realce de contraste.

La precisión alcanzada por los modelos, según el estudio de Karel Becerra, superó el 95% en los datos de prueba, situándose al nivel de los mejores resultados reportados en la literatura científica. El proceso de segmentación, apoyado en el SAM, logró identificar la región de la mano en más del 98% de los casos, con tasas de falsos negativos inferiores al 2%. Además, la combinación de modelos en conjuntos (ensembles) permitió reducir aún más el margen de error y aumentar la estabilidad de las predicciones.

Aplicación en arte rupestre y hallazgos sobre participación femenina

Uno de los aspectos más innovadores del estudio es la transferencia de estos modelos al análisis de manos prehistóricas. Utilizando siluetas de manos extraídas de pinturas rupestres europeas, los investigadores aplicaron los modelos entrenados en radiografías pediátricas para estimar el sexo de los autores de estas huellas.

Los resultados, atribuidos al estudio de Karel Becerra, coincidieron en la mayoría de los casos con hipótesis previas basadas en mediciones manuales y, en particular, reforzaron la idea de que muchas de las manos estampadas en las cuevas pertenecían a mujeres. Este hallazgo aporta una nueva dimensión al debate sobre la organización social y la división del trabajo en sociedades paleolíticas.

“Hubo un instante especial: cuando los resultados coincidieron con la hipótesis de que algunas de las manos pintadas en cuevas europeas eran de mujeres. En ese momento sentimos que estábamos dándole voz a protagonistas invisibles de la historia”, reveló Becerra.

Diferencias anatómicas detectadas por la IA

El análisis anatómico realizado por la inteligencia artificial reveló diferencias clave entre manos masculinas y femeninas. Los mapas de atención generados por los modelos destacaron que, en las mujeres, la IA se centró en las articulaciones carpometacarpianas (que conectan los metacarpos con los huesos del carpo), mientras que en los hombres la atención se dirigió principalmente a la articulación radiocarpiana (unión entre el radio y los huesos del carpo).

Estas observaciones, recogidas en el estudio de Karel Becerra, coinciden con evidencias previas obtenidas mediante otras bases de datos y técnicas de visualización, y sugieren que tanto la estructura ósea como la morfología externa de la mano contienen información discriminante de sexo.

Limitaciones, implicaciones y futuras líneas de investigación

El estudio también identificó limitaciones relevantes. La baja diversidad de fondos en las imágenes radiográficas puede inducir sesgos en los modelos, ya que artefactos o etiquetas presentes en el fondo podrían correlacionarse accidentalmente con una de las clases. Además, la precisión de la clasificación disminuye en manos infantiles, debido a la menor representación de este grupo etario y a la inmadurez anatómica propia de las primeras etapas del desarrollo óseo. El propio estudio de Karel Becerra advierte que la representatividad de las muestras por edad es un factor crítico para la generalización de los modelos, y que futuras investigaciones deberán abordar la evolución de los patrones discriminantes a lo largo del ciclo vital.

En cuanto a las implicaciones, el avance presentado por el estudio de Karel Becerra abre nuevas posibilidades para la identificación forense en contextos donde los huesos mayores no están disponibles, y para la interpretación de restos arqueológicos a partir de fragmentos óseos o huellas. La automatización de la clasificación de sexo mediante IA no solo mejora la precisión respecto a los métodos tradicionales, sino que también reduce la necesidad de intervención humana y el coste asociado a la anotación de datos.

“Me ilusiona pensar que este tipo de herramientas puedan servir no solo en investigaciones académicas, sino también en contextos reales de identificación forense, donde cada avance puede marcar la diferencia en la vida de familias y comunidades”, agregó el experto.

La investigación concluye que la estructura ósea y la morfología de la mano ofrecen una fuente abundante de información para la discriminación de sexo, y que la aplicación cuidadosa de métodos de aprendizaje automático sobre representaciones adecuadas de los datos puede alcanzar niveles de precisión sobresalientes, superando el 95% en los escenarios evaluados.