Análisis avanzado y detección del cáncer de cuello uterino usando NASNetLarge

Por qué esto importa para la salud de las mujeres

El cáncer de cuello uterino es una de las principales causas de muerte por cáncer entre mujeres en todo el mundo, sin embargo es muy tratable cuando se detecta a tiempo. El cribado tradicional depende de expertos que inspeccionan visualmente los frotis cervicales, una tarea laboriosa que puede pasar por alto señales sutiles. Este estudio explora cómo una forma moderna de inteligencia artificial puede convertir imágenes de frotis en patrones estructurados que una computadora puede leer, con el objetivo de detectar cambios celulares de riesgo de forma más consistente y rápida que el ojo humano por sí solo.

Una nueva mirada a las imágenes de frotis

Los investigadores se centran en imágenes de frotis procedentes de un conjunto de datos público de 300 muestras, divididas por igual en cinco tipos de células cervicales que van desde normales hasta claramente anormales. En lugar de introducir estas imágenes directamente en un sistema estándar de reconocimiento de imágenes, primero convierten cada diapositiva en un mapa de pequeñas regiones y sus relaciones. En este mapa, cada región tipo célula se convierte en un punto y los enlaces espaciales entre regiones en líneas de conexión. Esta representación en forma de grafo captura no solo cómo se ven las células, sino cómo están dispuestas, lo que a menudo contiene pistas importantes sobre la enfermedad.

Cómo aprende el modelo inteligente a partir de los patrones

Para leer estas imágenes basadas en grafos, el equipo utiliza NASNetLarge, un potente modelo de aprendizaje profundo entrenado originalmente con millones de fotografías cotidianas. Mediante una técnica llamada aprendizaje por transferencia, conservan la capacidad integrada del modelo para reconocer patrones visuales complejos pero reentrenan sus capas finales para distinguir las cinco categorías de células cervicales. También amplían el pequeño conjunto de datos creando versiones variadas de cada imagen usando volteos, rotaciones, zooms y desplazamientos. Este proceso ayuda al modelo a ver muchos ejemplos plausibles, reduciendo el riesgo de que memorice los datos de entrenamiento en lugar de aprender reglas generales.

Ver en qué se fija el ordenador

Más allá de la precisión bruta, el estudio pregunta si el modelo está mirando las partes correctas de la imagen. Los autores usan un método de visualización que resalta las zonas más responsables de cada decisión, superponiendo colores tipo mapa de calor sobre las imágenes en grafo. Estas vistas muestran que el modelo se centra en agrupaciones y límites que los patólogos también consideran importantes. Esto hace que su comportamiento sea más fácil de interpretar y confiar para los clínicos, y sugiere que la representación basada en grafos captura estructura significativa en lugar de ruido aleatorio.

Qué tan bien funciona el sistema

Entrenado con las imágenes de frotis transformadas en grafos, NASNetLarge alcanza alrededor del 94 % de exactitud en los datos de entrenamiento y un 98,33 % en datos de validación retenidos, con puntuaciones altas de precisión, recall y F1 en las cinco clases celulares. Un estudio de ablación muestra que omitir el paso de conversión a grafo reduce la exactitud a aproximadamente un 83 %, subrayando el valor de codificar las relaciones entre células. El modelo también se prueba en una colección separada de imágenes de colposcopia y vuelve a lograr una precisión muy alta, lo que sugiere que el enfoque puede generalizar más allá del conjunto original y seguir siendo factible de ejecutar en hardware modesto.

Lo que esto podría significar para el cribado futuro

En términos sencillos, el estudio muestra que convertir imágenes de frotis en mapas estructurados y analizarlas con un modelo de aprendizaje profundo adaptado puede clasificar células cervicales con fuerte exactitud y bajas tasas de error. Aunque el trabajo aún requiere conjuntos de datos más grandes y diversos antes de su uso en clínicas diarias, apunta a herramientas que podrían apoyar a los clínicos señalando diapositivas sospechosas, estandarizando la calidad y extendiendo el cribado de nivel experto a regiones con pocos especialistas. Para las pacientes, eso podría traducirse en detección más temprana y tratamientos más oportunos del cáncer de cuello uterino.

Cita: Bilgaiyan, S., Swain, A., Das, S. et al. Advanced analysis and detection of cervical cancer using NASNetLarge. Sci Rep 16, 14875 (2026). https://doi.org/10.1038/s41598-026-38341-w

Palabras clave: cáncer de cuello uterino, frotis cervical, aprendizaje profundo, imagen médica, cribado por IA