Aceleran en el CIC detección de cáncer cervicouterino con IA

Desarrollan herramientas de aprendizaje profundo para apoyar el diagnóstico oportuno de este padecimiento mediante el análisis automatizado de imágenes citológicas

El cáncer cervicouterino es uno de los principales desafíos de salud pública en México. Esta neoplasia representa en el país la segunda causa de muerte en mujeres, sólo detrás del cáncer de mama, por lo que el diagnóstico oportuno es determinante para disminuir la incidencia de esta enfermedad.

La citología cervical, estudio conocido popularmente como Papanicolaou, principal método de tamizaje en el sector público, presenta algunos desafíos: requiere la intervención de un médico patólogo con experiencia para interpretar los resultados, largas horas de trabajo para analizar grandes volúmenes de muestras (por lo menos 50 láminas bajo el microscopio por día) y en ocasiones el diagnóstico implica discrepancia entre especialistas.

Por ello, para reducir estos tiempos y contribuir a un diagnóstico más ágil, la estudiante del doctorado en Ciencias de la Computación, del Centro de Investigación en Computación (CIC), Irari Jiménez López, se dedica a diseñar herramientas basadas en Inteligencia Artificial (IA) para el análisis automatizado de imágenes citológicas.

Modelos matemáticos de color

De acuerdo con Irari Jiménez, en los últimos años se han explorado algoritmos de aprendizaje automático y aprendizaje profundo para detectar anomalías en el análisis de las células cervicales, pero las muestras citológicas contienen imágenes con demasiados elementos, lo que representa un desafío para su estudio.

Para eso, añadió, se desarrolló un programa computacional que analiza imágenes de células aisladas por medio de diferentes espacios de color. Esta estrategia permite reorganizar la información visual de la imagen para resaltar características que pueden favorecer la clasificación automática de las células y reducir la influencia de otras menos relevantes.

Irari López explicó que los espacios de color son modelos matemáticos que representan las tonalidades en sistemas de coordenadas y señaló que múltiples dispositivos electrónicos ya los utilizan.

“Las pantallas LED usan el sistema RGB, con los colores rojo, verde y azul, que al mezclarlos obtienen cualquier otro color que se requiera. Las impresoras, por ejemplo, se basan en el sistema CMYK, cuyas tintas magenta, amarillo, cian y negro generan los colores”, precisó.

Datos de interés: Las infecciones persistentes por el Virus del Papiloma Humano (VPH) son la causa más común del cáncer cervicouterino, al provocar que las células experimenten cambios morfológicos como aumento del núcleo o alteraciones en el citoplasma.

La estudiante politécnica expuso que esto es parte del preprocesamiento de las imágenes, y para determinar cuál ofrecía mejores resultados en la clasificación automática de las células se evaluaron distintas representaciones del color. Hicieron 12 experimentos diferentes que incluyeron rotaciones y cambios de tamaño para homogenizar las imágenes, con la finalidad de proporcionar al modelo una mayor diversidad de ejemplos y facilitar el reconocimiento de patrones.

“Buscábamos estudiar diferentes modelos de espacios de color que nos pudieran ayudar a incrementar las métricas de clasificación, por lo que comparamos doce transformaciones diferentes, incluyendo RGB, CMYK, HSV, Escala de grises, CIELAB y YUV como técnicas de preprocesamiento de imágenes”, puntualizó.

Jiménez López informó que la mayoría de los dispositivos digitales y televisores representan las imágenes utilizando el modelo de color RGB; como alternativa, en este trabajo también se evaluó el espacio CIELAB, el cual fue diseñado para aproximarse a la forma en la que el ojo humano percibe los colores y se planteó la hipótesis de que esta última podría favorecer la identificación de estructuras celulares y con ello mejorar el desempeño de los modelos de clasificación.

Análisis de imágenes con Deep Learning

En la siguiente fase de la investigación, que la estudiante desarrolló con la asesoría de los doctores Carlos Aguilar Ibáñez y José Eduardo Valdez Rodríguez, docentes del CIC, se construyó una arquitectura de aprendizaje profundo o Deep Learning –una de las áreas más avanzadas de la Inteligencia Artificial–, con técnicas de visión por computadora para el estudio de las imágenes.

Aclaró que los modelos de aprendizaje profundo son especialmente útiles para el análisis de imágenes, ya que son capaces de identificar patrones y relaciones espaciales entre los pixeles; además, extraen de manera automática características relevantes que posteriormente utilizan para la clasificación de las mismas.

La también maestra en Ciencias en Ingeniería Eléctrica comentó que el trabajo se desarrolló con aprendizaje supervisado, es decir, en el entrenamiento fue necesario indicarle al modelo a qué categoría pertenecía cada una de las imágenes utilizadas e identificar la relación entre las características que extrae de las imágenes y las etiquetas asignadas a cada ejemplo (estructuras celulares, alteraciones morfológicas y análisis cuantitativos), de manera que sea capaz de estimar a qué categoría pertenece.

“A partir del preprocesamiento de imágenes, construimos la arquitectura de aprendizaje profundo para clasificar células aisladas, la cual incluye una capa convolucional que extrae las características de las imágenes, una capa de agrupamiento que reduce el tamaño espacial y una capa de activación, que decide cuál es la información relevante y permite que la red neuronal aprenda los patrones complejos que se le proporcionan”, detalló la politécnica.

De forma complementaria, prosiguió Irari Jiménez, el proyecto contempla el desarrollo de un algoritmo de segmentación cuya función es identificar las regiones de interés dentro de la imagen para delimitar estructuras celulares (núcleo y citoplasma). Esta información permite analizar alteraciones morfológicas y de textura, y realizar un análisis cuantitativo de la imagen y precisar si corresponde a una célula sana o a una anormal.

“Los resultados obtenidos hasta el momento muestran niveles de exactitud superiores al 95 por ciento en la identificación de células aisladas, una cifra que demuestra el potencial de estas herramientas para apoyar el análisis de imágenes médicas”, afirmó la estudiante del CIC. Esta investigación ya fue publicada por la revista académica internacional AI Magazine, de periodicidad mensual, por la editorial MDPI, considerada en el Cuartil 1 (Q1) dentro de la categoría “Computer Science, Interdisciplinary Applications”, área presente en los índices más relevantes para la evaluación académica global como Scopus (Elsevier).

Del análisis de la célula a una muestra completa

Después de lograr resultados exitosos en la clasificación de células individuales, el proyecto ha avanzado hacia una etapa más compleja: el análisis de imágenes completas que contienen múltiples elementos.

“Esta nueva fase de la investigación se centra en la mejora de la segmentación semántica, una técnica de visión por computadora que consiste en asignar una categoría a cada píxel de la imagen, así el algoritmo podrá identificar regiones específicas, como los núcleos celulares, por ejemplo, separarlas del resto de la imagen y analizarlas de manera individual”, definió la investigadora politécnica.

El propósito final, apuntó, es desarrollar un sistema que pueda observar una muestra citológica de manera semejante a como lo hace un médico patólogo frente al microscopio: identificar las células presentes, clasificarlas, realizar conteos automáticos para detectar posibles alteraciones o la presencia de otros organismos, como bacterias y hongos.

Aunque la tecnología aún se encuentra en desarrollo, la investigación ya ha despertado el interés de especialistas del área médica, quienes consideran que este tipo de herramientas podría convertirse en un apoyo importante para la práctica clínica.

“El objetivo no será sustituir nunca el trabajo de los profesionales de la salud, sino proporcionarles herramientas auxiliares que les permitan optimizar el tiempo de análisis, facilitar la toma de decisiones y ampliar las capacidades diagnósticas en instituciones que atienden un gran número de pacientes”, aclaró.

La maestra Irari señaló que es importante impulsar investigaciones interdisciplinarias en las que converjan la ingeniería, las ciencias computacionales y la medicina porque la colaboración entre especialistas de distintas áreas resulta fundamental para desarrollar tecnologías que respondan a problemas reales y generen beneficios tangibles para la sociedad.

Para la doctorante esta investigación tiene además una dimensión profundamente humana. Su interés por combinar la ingeniería con las ciencias de la salud la llevó a desarrollar un proyecto orientado a mejorar la atención a las mujeres y a contribuir a que los diagnósticos y tratamientos de enfermedades potencialmente mortales puedan realizarse en etapas tempranas.