Nueva inteligencia artificial para optimizar el cribado del cáncer de cuello uterino

Una herramienta de IA para cribado cervical: qué cambia y qué debemos validar

El contexto que nos toca de cerca

Según informa UDG TV, una investigadora del Instituto Politécnico Nacional de México, Irari Jiménez López —también estudiante de doctorado en el Centro de Investigación en Computación del propio IPN—, ha desarrollado un sistema de inteligencia artificial orientado a agilizar la detección del cáncer cervicouterino a partir del análisis automatizado de imágenes citológicas. En nuestra práctica diaria, este tipo de avances nos interpela directamente: el Papanicolaou sigue siendo uno de los principales métodos de cribado, pero arrastra cuellos de botella conocidos —lectura minuciosa, jornadas extensas, discrepancias entre citopatólogos y, en muchos entornos, déficit de personal formado—. Por eso, cuando surge una propuesta que promete aliviar esa carga, conviene leerla con curiosidad profesional y con sano escrutinio.

Qué hace, en palabras que sí podemos traducir

La investigadora explicó a la fuente que "lo que nos planteamos es analizar estas imágenes de citología cervical a través de modelos de Machine y Deep Learning, así como algoritmos de visión por computadora". Para nosotros los clínicos, el flujo descrito se sostiene en dos pilares que vale la pena entender:

• Reorganización cromática previa. Antes de pasar la imagen al modelo, el sistema la transforma en distintos espacios de color para resaltar rasgos útiles y atenuar información visual menos decisiva. Es, en la práctica, decirle al algoritmo dónde mirar.
• Red neuronal convolucional. Una arquitectura de aprendizaje profundo que descompone la imagen por capas e identifica patrones de forma progresiva, desde formas generales hasta detalles concretos. Sobre esa base, el proyecto añade un algoritmo de segmentación para delimitar las regiones de interés y cuantificar si la célula se aleja de la morfología normal.

El propósito del sistema, según UDG TV, es aprender a reconocer patrones en las muestras y servir de apoyo al especialista —no sustituirlo, una distinción que en el reto asistencial marca la diferencia entre una herramienta y un reemplazo.

Antes de llevárnoslo a la consulta: tres preguntas

Desde nuestra experiencia compartida en cribado, ginecología y anatomía patológica, conviene aterrizar la novedad con tres preguntas:

1. Validez externa. La herramienta se ha entrenado con un corpus propio; aún no hay, según la información disponible, datos publicados de sensibilidad y especificidad frente a cohortes independientes ni comparación directa con el estándar histopatológico.

2. Encaje en el flujo del laboratorio. Un modelo que funciona en un entorno de investigación es muy distinto de uno que se integra en el sistema de información del laboratorio, respeta los tiempos del cribado poblacional y cumple la normativa de protección de datos sanitarios.

3. Mantenimiento y reentrenamiento. Las redes convolucionales exigen actualizaciones periódicas cuando cambian tinciones, escáneres o poblaciones; ese coste operativo rara vez aparece en la nota de prensa.

Este anuncio se suma, en el plano más amplio, al giro hacia modelos preventivos predictivos que también recoge InfoNegocios Madrid al hablar del nuevo enfoque de Quirón Prevención: anticiparse a la enfermedad apoyándose en datos. La herramienta mexicana ocupa un lugar concreto en esa corriente —aligerar la lectura de citologías en un país donde, según la fuente, el cáncer cervicouterino es la segunda causa de muerte en mujeres—. Lo razonable para nuestra práctica es tomar nota, seguir las publicaciones del grupo del CIC del IPN y, sobre todo, esperar resultados de validación multicéntrica antes de plantear cualquier cambio en los protocolos.