El cáncer de mama se mantiene como la principal causa de muerte en mujeres en México a partir de los 30 años; pero sobre todo en mujeres de 65 años y más. La situación se agrava en entidades como Morelos, que se ubica entre los seis estados con mayores tasas de defunciones por tumores malignos, de acuerdo con estadísticas del INEGI 2024. El panorama se complica si se considera que en Morelos el 51.4 por ciento de la población, poco más de un millón de personas, según proyecciones del CONAPO, son mujeres en riesgo potencial.
Frente a estas cifras, la investigación científica se abre camino como alternativa en la detección de esta enfermedad. En el Tecnológico Nacional de México, campus Cenidet en Cuernavaca, el investigador Jorge Alberto Fuentes Pacheco lidera el desarrollo de un sistema de inteligencia artificial (IA) capaz de analizar imágenes mamográficas con el objetivo de apoyar diagnósticos tempranos de cáncer de mama. Una herramienta que, de concretarse, podría acercar tecnología de vanguardia al alcance de clínicas locales y ampliar las oportunidades de detección oportuna.
Arquitecturas de aprendizaje en la salud pública
Jorge Fuentes, lleva varios años trabajando en arquitecturas de aprendizaje profundo para resolver distintos problemas, desde la agricultura hasta la salud. Para este proyecto, explica que el modelo de aprendizaje parte de redes neuronales artificiales que tienen una gran cantidad de “capas”, y cada una de ellas necesita bastantes datos para poder entrenarse: “Necesitamos un alto cómputo de hardware para hacer este tipo de aprendizaje supervisado y para extraer las mejores características e inferencias de las imágenes mamográficas”, comenta el Dr. Jorge Fuentes.
El trabajo se desarrolla en conjunto con Daniel Flores Guerrero, ingeniero en sistemas y doctorante en ciencias de la computación. Él detalla que el modelo de IA no sustituirá la labor médica, pero sí puede marcar la diferencia en etapas tempranas: “Lo que buscamos es que nuestro sistema aprenda a identificar formas en las imágenes que tengan una interpretación médica. Por ejemplo, si la anomalía son solo nódulos o microcalcificaciones”.
En cuanto a los datos identificados de este modelo de IA, Daniel Flores comenta que la investigación está procesando la definición de la salida, que puede ser numérica: dar un porcentaje dentro de la imagen o categórica: si son anomalías benignas o malignas. “Está pensado como un instrumento de respaldo para el área médica, el modelo no va a diagnosticar; hay que hacer énfasis en que, ese proceso si tiene que recaer en el personal médico”, señaló Flores Guerrero.
Oportunidades del diagnóstico oportuno
Para la investigación, las mamografías representan un punto de partida estratégico. Son el primer estudio al que la mayoría de las mujeres acceden y, en esa etapa inicial, es posible identificar señales tempranas que pueden marcar la diferencia en la evolución de la enfermedad. “La dificultad no está en la falta de infraestructura para realizar mamografías, sino en la interpretación”, advierte el investigador. Factores como el cansancio, falta de especialistas en clínicas o incluso lo diminuto de las anomalías pueden dificultar el hallazgo oportuno. “Ahí es donde la IA puede convertirse en una herramienta de apoyo, para señalar de manera rápida dónde poner atención”, indicó.
Por otra parte, Daniel Flores señala que, el impacto económico también es un argumento de peso. Los costos de atención aumentan conforme avanza el estadio clínico del cáncer de mama, llegando a varios cientos de miles de pesos anuales por paciente en fases avanzadas, que suelen ser el estándar al momento del diagnóstico: “Detectar anomalías en etapas tempranas no solo incrementa las posibilidades de supervivencia, también representa un ahorro significativo para el sistema de salud”, enfatiza.
La ventana de la tecnología morelense
Si bien ya existen este tipo de sistemas, estos suelen demandar altos costos en equipos especializados. La apuesta de los investigadores es crear sistemas ligeros, capaces de operar en computadoras comunes o incluso en dispositivos móviles, sin sacrificar precisión. “Lo que queremos es avanzar hacia Tiny Machine Learning, modelos pequeños que requieran pocos recursos de CPU y memoria RAM, pero que tengan la misma capacidad de detección”, apunta Fuentes.
De lograrse, agrega Flores Guerrero, el impacto sería profundo: “Clínicas locales y centros de salud rurales podrían acceder a esta tecnología”. Ello significaría que miles de mujeres en comunidades apartadas tendrían la posibilidad de recibir alertas tempranas sobre posibles anomalías y, con ello, mayores probabilidades de acceder a tratamiento oportuno.
La investigación se encuentra en una fase inicial, cuyo principal reto es reunir una base de mamografías mexicanas representativas, necesarias para entrenar al modelo con características propias del país. Por ello, han comenzado gestiones con el Instituto Nacional de Cancerología, tanto para acceder a la información como para validar los resultados con especialistas.
Flores Guerrero señaló que, en un plazo de año y medio publicarán los primeros resultados, afinando y optimizando el modelo hasta alcanzar un desempeño comparable con tecnologías internacionales, pero con la diferencia de que su sistema estará diseñado para funcionar en equipo accesible, como el que se encuentra en clínicas y hospitales de primer nivel.
Trabajo conjunto
Finalmente, Daniel Flores agregó que también se requieren convenios con centros de supercómputo como el de San Luis y de hospitales, pues el entrenamiento de los modelos demanda recursos de hardware especializados y acompañamiento clínico. La validación médica y las pruebas en escenarios hospitalarios son fundamentales para comprobar la utilidad de la herramienta en la práctica.
En este sentido, el apoyo institucional y la disposición del personal de salud resultan claves para que el sistema pueda implementarse sin obstáculos. Sin embargo, como señala el doctor Jorge Fuentes, la incorporación de nuevas tecnologías no está exenta de resistencias: “Siempre hay un temor a lo desconocido, pero la IA ya ha demostrado su potencial para reducir la mortalidad al facilitar una detección temprana”, concluye.
El Dr. Jorge Alberto Fuentes Pacheco, investigador del TecNM, campus Cenidet, lidera el desarrollo de un sistema de inteligencia artificial que analiza imágenes mamográficas para apoyar diagnósticos tempranos. A la derecha el Ing. Flores Guerrero. Foto: Cortesía.
Daniel Flores Guerrero, doctorante en ciencias de la computación del Cenidet colabora en la investigación para optimizar modelos de IA que puedan funcionar en equipos accesibles de clínicas y hospitales. Foto: Cortesía.
La herramienta de IA ayudará a disminuir la posibilidad de falsos negativos o positivos en la interpretación de mamografías, optimizando el tiempo y la precisión de los especialistas. Foto: Cortesía.
