En el Centro de Investigación Científica y de Educación Superior de Ensenada, Unidad Académica Tepic (CICESE-UAT), se realiza una investigación enfocada en el diseño de modelos de Inteligencia Artificial capaces de analizar imágenes y otras señales biomédicas para apoyar la detección de enfermedades. El objetivo es desarrollar sistemas asistidos por computadora que, en el futuro, puedan convertirse en herramientas de apoyo para el personal médico.
Esta investigación, liderada por el Dr. José Agustín Almaraz Damián, investigador del CICESE-UAT, surge ante una realidad cada vez más presente en los servicios de salud: el personal médico debe atender a un número cada vez mayor de pacientes y, al mismo tiempo, debe analizar una gran cantidad de información clínica. En este contexto, una herramienta tecnológica podría ofrecer una segunda opinión y ayudar a identificar hallazgos que podrían pasar desapercibidos a simple vista.
Para lograrlo, el proyecto se enfoca en desarrollar arquitecturas de redes neuronales profundas, un área de la Inteligencia Artificial especializada que permite a los modelos aprender patrones a partir de grandes cantidades de datos. En este caso, los modelos se entrenan con datos provenientes de bases de datos públicas y académicas, principalmente de imágenes obtenidas mediante ultrasonido, tomografía, resonancia magnética y rayos X, así como de estudios más especializados, como PET y SPECT.
Por ejemplo, el modelo puede entrenarse para identificar en una mamografía masas o microcalcificaciones que podrían estar asociadas con el cáncer de mama. De manera similar, puede aprender a reconocer características de lesiones relacionadas con el cáncer de piel. Incluso, en el caso de accidentes cerebrovasculares, una red neuronal puede identificar y segmentar la zona donde se encuentra un derrame en una imagen médica.
Pero desarrollar estos modelos no es sencillo. Para que una Inteligencia Artificial aprenda a reconocer patrones médicos necesita grandes cantidades de datos y una capacidad considerable de procesamiento. Por ello, el entrenamiento puede tomar mucho tiempo y requiere tanto bases de datos robustas como recursos computacionales especializados, entre ellos unidades de procesamiento gráfico (GPU) y otros dispositivos diseñados para acelerar este tipo de cálculos.
Uno de los principales retos de esta investigación es precisamente desarrollar arquitecturas que logren una mayor precisión utilizando la menor cantidad posible de recursos computacionales. Mientras los modelos más generales pueden requerir enormes cantidades de datos y tiempo de entrenamiento, la investigación busca desarrollar sistemas especializados capaces de aprovechar mejor la información disponible.
Por ahora, el trabajo continúa en la investigación básica: encontrar patrones, desarrollar arquitecturas, combinar diferentes tipos de información y comprender qué características son realmente útiles para detectar una enfermedad.
El objetivo no es sustituir al médico, sino desarrollar herramientas que puedan procesar grandes cantidades de información y ofrecer elementos adicionales para apoyar su trabajo. Una imagen puede contener señales que no son fáciles de identificar a simple vista; la Inteligencia Artificial puede ayudar a encontrarlas, analizarlas y convertirlas en información útil.
Así, desde el CICESE-UAT se explora cómo la Inteligencia Artificial puede convertirse en una herramienta para apoyar la detección oportuna de enfermedades. El siguiente paso será desarrollar modelos cada vez más precisos y eficientes, capaces de integrar diferentes tipos de información y acercar estas tecnologías a escenarios donde puedan tener un impacto real en la salud