Detrás de cada estadística médica hay nombres, familias y la urgencia de recibir a tiempo un diagnóstico que puede cambiarlo todo. En México, el cáncer cervicouterino sigue siendo la segunda causa de muerte en mujeres, un panorama donde el tiempo de respuesta es el recurso más valioso para salvar vidas.
Tradicionalmente, la detección oportuna depende de la citología cervical (el estudio de Papanicolaou), un método que en el sector público enfrenta desafíos monumentales: jornadas de trabajo exhaustivas donde un médico patólogo debe revisar al menos 50 láminas diarias bajo el microscopio, horas de análisis sujetas a la fatiga y, en ocasiones, discrepancias de criterios entre especialistas.
Frente a esta realidad que desborda las clínicas, la ingeniera y estudiante del doctorado en Ciencias de la Computación del Centro de Investigación en Computación (CIC) del IPN, Irari Jiménez López, decidió enfocar su talento tecnológico hacia un problema profundamente humano.
Impulsada por el deseo de mejorar la atención a las mujeres y lograr que los diagnósticos ocurran en etapas tempranas, la investigadora se propuso transformar la manera en que se analizan las muestras médicas.
¿Cómo lo hizo? Modelos matemáticos y visión por computadora
El camino no era sencillo. Las muestras citológicas contienen imágenes sumamente complejas y saturadas de elementos visuales que dificultan cualquier intento de análisis automatizado.
Para resolverlo, Irari, con la asesoría de los doctores Carlos Aguilar Ibáñez y José Eduardo Valdez Rodríguez, diseñó un programa computacional capaz de reorganizar la información visual utilizando distintos modelos matemáticos de color, como RGB, CMYK, escala de grises y el sistema CIELAB, este último creado para aproximarse a la forma en que el ojo humano percibe las tonalidades.
Tras realizar doce experimentos diferentes con rotaciones y cambios de tamaño para homogenizar los datos, el equipo logró identificar qué transformaciones matemáticas maximizaban la claridad celular.
Sobre esta base, la investigadora construyó una arquitectura de aprendizaje profundo (Deep Learning) dotada de capas convolucionales y de activación. Estas redes neuronales actúan como un filtro inteligente capaz de extraer características clave, ponderar la información relevante y aprender patrones complejos entre los píxeles.
El algoritmo se complementa con una técnica de segmentación que delimita con precisión milimétrica el núcleo y el citoplasma para evaluar si una célula es sana o anormal.
Los resultados iniciales son contundentes: el sistema alcanza niveles de exactitud superiores al 95 por ciento en la identificación de células aisladas, un logro técnico que ya fue validado y publicado a nivel internacional en la revista académica AI Magazine.
Del laboratorio a la realidad clínica
Lejos de buscar sustituir la labor de los profesionales de la salud, este desarrollo apunta a convertirse en un respaldo crucial para optimizar los tiempos de análisis en las instituciones públicas.
Actualmente, la investigación avanza hacia una fase más compleja: la segmentación semántica de muestras completas con múltiples elementos, con la meta de emular la mirada de un patólogo que puede contar células, detectar patógenos y señalar alteraciones en un solo barrido.
Para Irari Jiménez, la verdadera razón de ser de la tecnología radica en su capacidad de transformar realidades y tender puentes entre la ingeniería y la medicina para devolverle la tranquilidad a los pacientes.