Cómo la IA del IPN está transformando la detección temprana del cáncer de mama en México

En los últimos años, la combinación de inteligencia artificial (IA) y medicina ha pasado de ser una promesa futurista a una realidad palpable en hospitales y clínicas de todo el mundo. En México, el Instituto Politécnico Nacional (IPN) ha dado un paso significativo al desarrollar un algoritmo capaz de analizar y priorizar mamografías, enfocándose en la detección de tejido denso o fibroso, una característica que históricamente dificulta la identificación de lesiones cancerosas.

Contexto: el desafío de la densidad mamaria en México

La densidad de la mama, definida por la proporción de tejido fibroglandular frente a tejido graso, es un factor clave en la precisión de las mamografías. Mujeres con mamas densas tienen un riesgo mayor de pasar por alto tumores en las imágenes convencionales, lo que se traduce en diagnósticos tardíos y peores pronósticos. Estudios regionales en México han demostrado que entre el 30% y el 45% de las mujeres que se someten a mamografía presentan una densidad alta, un porcentaje que supera la media mundial.

Este escenario ha impulsado a instituciones médicas y académicas a buscar herramientas que mitiguen la limitación tecnológica tradicional. El IPN, con su tradición en investigación aplicada, se sumó a la carrera global de IA en salud, enfocándose en un problema local con gran impacto social.

Detalles del modelo: entrenamiento y funcionamiento

El algoritmo de IA del IPN fue entrenado con una base de datos compuesta por miles de mamografías recopiladas de hospitales públicos y privados de la zona centro del país. Cada imagen fue anotada por radiólogos expertos, quienes identificaron áreas de mayor densidad y señalaron lesiones sospechosas. El proceso de entrenamiento incluyó técnicas de aprendizaje profundo, particularmente redes neuronales convolucionales (CNN), que permiten extraer patrones visuales complejos.

Una vez entrenado, el modelo evalúa cada nueva mamografía y asigna una puntuación de prioridad basada en la densidad y la presencia de anomalías potenciales. Las imágenes con mayor puntuación son remitidas de inmediato a radiólogos senior para una revisión exhaustiva, mientras que aquellas con menor riesgo pueden seguir el flujo estándar. Este sistema no reemplaza la interpretación humana, sino que actúa como un filtro inteligente que optimiza el tiempo de los especialistas.

Impacto e implicancias: rapidez, eficiencia y equidad

Desde su implementación piloto en tres hospitales del Distrito Federal, el algoritmo ha reducido el tiempo promedio de revisión de mamografías de alta densidad en un 40%, pasando de ocho a menos de cinco días. Esta mejora se traduce directamente en un diagnóstico más temprano, lo que, según la literatura oncológica, puede aumentar la tasa de supervivencia en un 15% a 20% para cánceres detectados en etapas iniciales.

Además, la herramienta contribuye a una distribución más equitativa de los recursos médicos. En centros donde la carga de trabajo es alta y el número de radiólogos limitado, la IA permite que los profesionales se concentren en los casos más críticos, reduciendo la fatiga y el riesgo de errores humanos.

El proyecto también ha generado un efecto multiplicador en la capacitación de residentes y estudiantes de radiología, quienes ahora pueden observar cómo la IA resalta áreas de densidad y compararlas con su propio análisis, fomentando un aprendizaje basado en datos.

Perspectiva a futuro: expansión, integración y desafíos

El éxito inicial ha abierto la puerta a una expansión nacional. El IPN planea integrar el modelo en más hospitales del país y adaptar la herramienta para trabajar con otros tipos de imágenes, como la resonancia magnética de mama, que también se ve afectada por la densidad del tejido.

Sin embargo, la escalabilidad presenta desafíos. Es necesario garantizar la calidad y la homogeneidad de los datos de entrenamiento, ya que variaciones en equipos de mamografía pueden afectar el rendimiento del algoritmo. Asimismo, se deben establecer protocolos claros de responsabilidad médica en caso de falsos negativos o positivos generados por la IA.

Otro aspecto crucial es la aceptación por parte de los profesionales de la salud. Si bien muchos radiólogos valoran la ayuda que brinda la herramienta, persiste cierta resistencia basada en la desconfianza hacia los sistemas automatizados. Programas de divulgación y pruebas de validación continuas serán esenciales para consolidar la confianza.

Conclusión

La iniciativa del Instituto Politécnico Nacional representa un avance concreto en la lucha contra el cáncer de mama en México, al combinar ciencia de datos con una necesidad clínica apremiante. Al priorizar mamografías según la densidad glandular, la IA no solo acelera la detección temprana, sino que también optimiza el uso de recursos humanos y promueve una mayor equidad en el acceso a diagnósticos de calidad. Si bien quedan retos por superar, la trayectoria hasta ahora sugiere que la inteligencia artificial será una pieza clave en la estrategia nacional para reducir la mortalidad por cáncer de mama.