Diagnóstico asistido por IA de la displasia cervical a partir de imágenes de cervicografía

Por qué esto importa para la salud de las mujeres

El cáncer cervical es uno de los cánceres más prevenibles, sin embargo muchas mujeres en regiones con recursos limitados aún carecen de acceso a herramientas de cribado avanzadas. Este estudio explora cómo la inteligencia artificial puede convertir fotografías simples del cuello uterino, tomadas tras aplicar una solución similar al vinagre, en una ayuda potente para detectar cambios precancerosos tempranos. Al hacerlo, pretende llevar diagnósticos más precisos a clínicas que no disponen de equipos caros ni de especialistas, contribuyendo a detectar la enfermedad antes y, potencialmente, salvar vidas.

De fotos simples a cribados más inteligentes

En muchos hospitales de altos ingresos, los médicos usan un dispositivo de aumento llamado colposcopio para inspeccionar el cuello uterino y decidir si las zonas sospechosas deben biopsiarse. En entornos más pobres o rurales, esta herramienta suele ser inaccesible, por lo que las enfermeras dependen de la Inspección Visual con Ácido Acético (VIA): aplican ácido acético diluido, buscan parches blancos y pueden tomar una foto (cervicografía). VIA es útil para indicar que algo podría estar mal, pero es mucho menos fiable a la hora de evaluar la gravedad de la anomalía. La decisión clínica clave es si una lesión es leve y puede vigilarse, o grave y requiere tratamiento inmediato. Los investigadores se propusieron enseñar a un ordenador a distinguir directamente entre estas opciones a partir de imágenes de cervicografía.

Enseñar a las máquinas a leer indicios visuales sutiles

El equipo construyó un sistema en dos fases alrededor de un modelo moderno de análisis de imágenes conocido como YOLOv11, elegido por su capacidad para localizar objetos con rapidez y funcionar en hardware modesto. Primero, el sistema comprueba si una imagen VIA contiene alguna lesión sospechosa, basándose en reglas médicas sobre cómo deberían aparecer las zonas blancas y dónde deberían ubicarse en el cuello uterino. Si hay una lesión, la segunda fase examina cuatro características visuales en las que confían los expertos en colposcopia: cuán blanca se vuelve el área tras el ácido, cuán lisa o rugosa es su superficie, cuánto de la zona de transformación cubre y cuántos de los cuatro cuadrantes cervicales están implicados. Cada característica se analiza bien mediante el modelo de IA o bien mediante reglas geométricas simples, y en conjunto proporcionan una imagen más rica de la gravedad de la enfermedad que el color por sí solo.

Generar más datos a partir de pocos pacientes

Un obstáculo importante fue que las imágenes de alta calidad con confirmación por biopsia, especialmente de enfermedad leve temprana, son escasas. Para superar esto, los investigadores usaron un tipo de IA generativa (StyleGAN-2 con aumento adaptativo) para crear imágenes sintéticas realistas de cérvix que imitaran los patrones infrarepresentados. Estas imágenes artificiales se emplearon solo para entrenamiento y validación, nunca en la prueba final. Los datos reales provinieron de varias fuentes, incluidos grandes conjuntos internacionales con imágenes de colposcopia y etiquetas Swede Score, un conjunto más pequeño pero altamente fiable con confirmación histopatológica, y colecciones externas de hospitales indonesios y programas de cribado basados en teléfonos móviles. Esta mezcla permitió al modelo aprender tanto de la gradación experta como de diagnósticos tisulares de referencia.

Combinar varias opiniones en una sola decisión

Una vez extraídas las cuatro características clave de cada imagen, el sistema empleó un enfoque de ensamblaje—esencialmente un “voto” estructurado entre distintos clasificadores específicos por característica—para etiquetar cada caso como displasia leve o grave. Los experimentos iniciales sin aumento avanzado alcanzaron solo alrededor del 62% de exactitud, lo que muestra lo difícil que es la tarea cuando los datos son escasos y están desequilibrados. Tras añadir imágenes sintéticas generadas por GAN y ajustar cuidadosamente el ensamblaje, la mejor configuración logró aproximadamente un 95% de precisión global en un conjunto de prueba independiente confirmado por biopsia. Identificó correctamente más del 95% de los casos graves y más del 80% de los leves, manteniendo la tasa global de malclasificación por debajo del 8%. El modelo también rindió de forma consistente en un conjunto de datos hospitalario separado, lo que sugiere que puede manejar variaciones en el equipo y la práctica local, aunque el rendimiento disminuyó frente a imágenes tomadas con móviles muy iluminadas.

Qué significa esto para la atención diaria

Para las clínicas no especializadas que ya realizan cribado VIA, este trabajo muestra que las imágenes ordinarias de cervicografía podrían transformarse en una herramienta mucho más informativa. Un sistema de IA que destaque las lesiones, estime hasta qué punto se han extendido y señale si parecen leves o graves podría ayudar a los proveedores de primera línea a decidir quién necesita derivación urgente y quién puede vigilarse de forma segura. Los autores advierten que su modelo aún tiene límites: depende en parte de datos sintéticos, se entrenó mayoritariamente con colposcopia más que con imágenes reales de teléfono y se ha probado en conjuntos relativamente pequeños confirmados por biopsia. Se necesitan estudios más grandes y diversos antes de que un sistema así pueda guiar el tratamiento por sí solo. No obstante, los resultados demuestran que combinar imágenes asequibles con IA diseñada con cuidado podría reforzar la prevención del cáncer cervical precisamente en los lugares que más lo necesitan.

Cita: Nurmaini, S., Rachmatullah, M.N., Agustiansyah, P. et al. AI-assisted diagnosis of cervical dysplasia from cervicography images. Sci Rep 16, 9920 (2026). https://doi.org/10.1038/s41598-026-39192-1

Palabras clave: cribado de cáncer cervical, cervicografía, IA médica, aprendizaje profundo, gradación de displasia