El análisis de imágenes médicas mediante técnicas de Procesamiento Digital de Imágenes (PDI) y Reconocimiento de Patrones es un campo consolidado que ha revolucionado el diagnóstico clínico. Esta disciplina es fundamental para la medicina moderna, aportando herramientas esenciales para la segmentación de estructuras anatómicas en resonancias magnéticas, la clasificación de patologías en radiografías o la detección de anomalías en mamografías, entre otras tantas aplicaciones, mejorando así la exactitud en el diagnóstico. Sin embargo, la reciente evolución del PDI hacia la adopción masiva de modelos de aprendizaje profundo, si bien ha potenciado la capacidad predictiva, ha introducido simultáneamente un desafío crítico: la opacidad de estos sistemas. La naturaleza de "caja negra" de las redes neuronales profundas limita su adopción clínica, ya que el objetivo actual no es sólo obtener alta exactitud, sino comprender el razonamiento detrás de una decisión para construir confianza, validar los hallazgos y adaptarse a la variabilidad de los datos.
Con foco en esta problemática, este proyecto aborda la Inteligencia Artificial Explicable (XAI, Explainable Artificial Intelligence), un paradigma que busca no sólo predecir, sino también extraer conocimiento útil. Para ello, se proponen dos líneas de investigación: el avance sobre sistemas de Lógica Difusa generados a partir de datos, que resultan inherentemente interpretables, y la explicabilidad de redes de aprendizaje profundo (CNNs y Transformers) mediante técnicas de visualización y modelos híbridos. Se aborda también la transferencia tecnológica, implementando los algoritmos en sistemas embebidos de bajo costo para crear dispositivos portátiles que trasladen las capacidades del PDI avanzado al punto de atención al paciente. El objetivo final es potenciar el campo del PDI con soluciones de diagnóstico asistido que sean robustas, transparentes, fiables y accesibles.

En Perú muere una mujer cada cinco horas por cáncer de cuello uterino, es por eso que este proyecto busca prevenir la ocurrencia de este tipo de cáncer en el país, mediante el desarrollo de una herramienta tecnológica de tele-microscopía. Este sistema está orientado a disminuir la barrera de acceso a diagnósticos oportunos debido a la falta de recursos y personal especializado. Para abordar este problema, se diseña una plataforma digital que permita procesar imágenes de pruebas de Papanicolaou con mayor rapidez y precisión. Además, el sistema integra inteligencia artificial para procesar y clasificar las muestras de manera preliminar, ayudando a identificar las más urgentes.
Como parte del proyecto, se implementará una prueba piloto en el Hospital de Madre de Dios, donde se evlúa la efectividad de esta tecnología en condiciones reales. También se analizará cómo los sistemas de salud pueden adoptar esta herramienta de forma sostenible.
Los resultados esperados incluyen un diagnóstico más rápido y accesible para las mujeres en zonas rurales, la reducción de la mortalidad por cáncer de cuello uterino y un fortalecimiento del sistema de salud local. Este proyecto tiene el potencial de salvar vidas y mejorar la calidad de la atención médica en el país, brindando a las mujeres una oportunidad real de recibir tratamiento temprano.

Protocolo de investigación aprobado por el Comité de Ética en Investigación del Ministerio de Salud de la Provincia de San Juan (aprobado en reunión del 04/09/2024).
Investigadores Principales: Dr. Diego Sebastián Comas, Dr. Juan Pablo Graffigna.
Co y subinvestigadores: Juan Miguel Agliozzo, Ana María Sanz, Daniela Sofía Pedrozo Roca, Agustín Amalfitano y Facundo Cortés Zmutt.
Corresponde a parte del convenio marco entre la Universidad Nacional de San Juan, la Universidad Nacional de Mar del Plata y el Hospital Marcial Quiroga

Convenio para realizar actividades conjuntas de investigación en Inteligencia Artificial aplicada a la detección precoz de patologías en estudio mamográficos.
Equipo de trabajo: Dr. Juan Miguel Agliozzo (Hospital Marcial Quiroga), Dr. Ing. Diego Sebastián Comas (UNMdP), Dra. Ing. Virginia Laura Ballarín (UNMdP), Dr. Ing. Gustavo Javier Meschino (UNMdP), Lic. Agustín Amalfitano (UNMdP), Dr. Ing. Juan Pablo Graffigna (UNSJ), Facundo Cortés (UNSJ), Juan Manuel Reyna (UNSJ).

Dentro del Procesamiento de Imágenes, la segmentación, que es la identificación de objetos con características específicas dentro de una imagen, es una de las tareas más importantes en el análisis de una imagen, ya que es el primer nivel de la tarea de entendimiento de la imagen y afecta severamente al proceso posterior de interpretación, proporcionando estructuras útiles tales como regiones y/o bordes. En medicina, revela estructuras anatómicas, permitiendo un diagnóstico preciso y detallado. En la agricultura de precisión, ayuda a identificar y delimitar áreas con cultivos específicos o plagas, optimizando la gestión agrícola. En seguridad vial permite la detección de vehículos, peatones y señales de tráfico en tiempo real. En este escenario dinámico, el desarrollo de técnicas de segmentación ha evolucionado en simultaneo con los avances tecnológicos. Si bien en la bibliografía se reportan numerosas técnicas, una característica común es que éstas habitualmente están definidas para escalares y no así para vectores, siendo su extensión a imágenes color o datos multidimensionales una tarea para nada sencilla.
El color es una de las características fundamentales en procesamiento de imágenes, ya que en la mayoría de los casos simplifica la identificación y extracción de los objetos. El modelado del color es un problema abierto, siendo el concepto de color impreciso, ya que no puede establecerse una frontera clara que delimite unos colores de otros, subjetivo ya que no todas las personas distinguen o nombran de la misma forma los colores y dependiente del contexto, ya que un mismo color puede tener distintos significados en distintos ámbitos.
En Morfología Matemática, los trabajos más recientes en la bibliografía incluyen operaciones que son invariantes a un determinado grupo de transformaciones y pseudo-morfología probabilística prescindiendo de un orden en todo el espacio color. Asimismo, la Morfología Matemática Difusa incorpora conceptos de Lógica Difusa para extender los operadores morfológicos permitiendo modelar y manipular la incertidumbre e imprecisión. Por otro lado, el diseño heurístico de operadores morfológicos se basa en duplas de imágenes, las cuales contienen una entrada típica y su respectiva salida deseada, y se estima durante un proceso de entrenamiento, cual es la mejor secuencia de operadores para un problema dado.
En los últimos años, el aprendizaje profundo adquirió popularidad. Las redes neuronales basadas en aprendizaje profundo son redes que aprenden directamente de los datos, sin requerir etapas previas de extracción de características, y han revolucionado la segmentación, permitiendo la creación de modelos capaces de identificar y delinear objetos con elevada exactitud. La adaptación de estas técnicas al mundo de las imágenes en color y multidimensionales ha sido un paso crucial en la ampliación de las capacidades de segmentación. Por lo tanto, el desarrollo de nuevos algoritmos basados en aprendizaje profundo resulta de enorme actualidad y podría tener un impacto significativo en procesamiento de imágenes. Asimismo, su estudio tanto en sus aspectos teóricos como en su implementación tecnológica es de sumo interés, no sólo para el presente proyecto sino para otros trabajos ya proyectados o actualmente en desarrollo.
En este proyecto se propone un enfoque integral para el procesamiento de imágenes, incluyendo la propuesta de un marco formal para la definición y manejo del color, haciendo uso de los conceptos de color difuso y de espacio de color difuso; la implementación de métodos para el diseño de operadores morfológicos; el avance sobre redes de aprendizaje profundo aplicadas a la segmentación de imágenes y otras técnicas avanzadas. Se espera realizar una contribución en el área con nuevas técnicas y algoritmos, que puedan tener un impacto significativo en medicina, agricultura de precisión y bioingeniería.

Las imágenes médicas son actualmente uno de los recursos centrales para evaluación y diagnóstico clínico, impulsado por el avance tecnológico de las últimas décadas que aumentó sustancialmente su disponibilidad y accesibilidad. Debido a esto, se requieren herramientas para asistir en su análisis y en la toma de decisiones. El procesamiento digital de imágenes provee herramientas adecuadas para esta tarea y ha sido exitosamente aplicado en diferentes modalidades de imágenes médicas con múltiples objetivos, principalmente relacionados con la segmentación y la clasificación, permitiendo detectar de tejidos, lesiones y patologías. Las redes neuronales basadas en aprendizaje profundo han tomado enorme impulso, mostrando muy buenos resultados sobre diferentes modalidades y, en los últimos años, se viene trabajando activamente en la interpretación y explicación de la información contenida en sus parámetros internos. Una técnica de segmentación o clasificación de imágenes médicas que sea interpretable y explicable puede aportar nuevo conocimiento sobre las imágenes estudiadas o el problema abordado, resultando en aportes significativos al estudio de este tipo de imágenes y al diagnóstico, por lo que es una temática de enorme relevancia. Se propone en este proyecto estudiar, formular, desarrollar, implementar y validar nuevas técnicas para el descubrimiento de conocimiento en clasificación y segmentación de imágenes médicas a través de redes neuronales basadas en aprendizaje profundo. Este proyecto permitirá avanzar significativamente en la optimización de tecnologías de diagnóstico a partir de imágenes.

El avance tecnológico de las últimas décadas en la adquisición de imágenes médicas ha aumentado sustancialmente la información disponible a partir de ellas y facilitado su accesibilidad, convirtiéndolas en uno de los recursos centrales para evaluación clínica y diagnóstico de patologías. La segmentación y clasificación de imágenes mediante procesamiento digital permite la detección de tejidos, lesiones y patologías, siendo el especialista quien debe analizar e interpretar los resultados. Dentro de la inteligencia computacional, la Lógica Difusa (LD) y las redes neuronales de aprendizaje profundo han sido extensa y exitosamente aplicadas en imágenes médicas. En los últimos años, se viene trabajando activamente en enfoques que permitan la interpretación y explicación de los mecanismos de decisión implementados, con el fin de adaptarlos al lenguaje propio de las distintas disciplinas que hagan uso de ellas. Las técnicas de segmentación y clasificación de imágenes médicas que sean interpretables y explicables pueden aportar nuevo conocimiento sobre las imágenes estudiadas o el problema abordado, resultando en aportes significativos al estudio de este tipo de imágenes y al diagnóstico, por lo que es una temática de enorme relevancia. Con una adecuada cantidad de imágenes, pueden ser también fuente de información para la medicina basada en la evidencia.
Se propone en este proyecto estudiar, formular, desarrollar, implementar y validar nuevas técnicas para el descubrimiento de conocimiento en clasificación y segmentación de imágenes médicas mediante métodos basados en inteligencia computacional, con énfasis en LD y redes de aprendizaje profundo. Se realizará un profundo estudio teórico de enfoques existentes incluyendo diferentes paradigmas de diseño y entrenamiento. Se implementarán pruebas conducentes a evaluar el desempeño de todos los métodos estudiados y propuestos. Se considerarán problemas abiertos de imágenes médicas, bases de datos públicas y problemas concretos de nuestro Laboratorio. Se evaluarán técnicas existentes y generales de descubrimiento de conocimiento en bases de datos (KDD), así como también métodos específicos de interpretación y visualización de capas intermedias en redes y de análisis de sistemas de LD.
El acceso a las nuevas tecnologías de adquisición de imágenes plantea la necesidad de nuevas herramientas de segmentación y análisis, en particular en Argentina, en donde el acceso a software específico no siempre es posible. Ejecutar un proyecto de investigación específicamente en técnicas aplicadas a imágenes médicas centrado en descubrimiento de conocimiento permitiría avanzar significativamente en la optimización de tecnologías de diagnóstico a partir de imágenes.

Otorgado por la Universidad Nacional de Mar del Plata con evaluación externa.
Lugar de desarrollo: ICyTE, Facultad de Ingeniería, UNMdP-CONICET.

Otorgado por la Universidad Nacional de Mar del Plata con evaluación externa.
Lugar de desarrollo: ICyTE, Facultad de Ingeniería, UNMdP-CONICET.

Otorgado por la Universidad Nacional de Mar del Plata con evaluación externa.
Lugar de desarrollo: ICyTE, Facultad de Ingeniería, UNMdP-CONICET.

Otorgado por la Universidad Nacional de Mar del Plata con evaluación externa.
Lugar de desarrollo: ICyTE, Facultad de Ingeniería, UNMdP-CONICET.

Otorgado por la Universidad Nacional de Mar del Plata con evaluación externa.
Lugar de desarrollo: Facultad de Ingeniería, Universidad Nacional de Mar del Plata.

Seminario de sensibilización del uso de la IA para médicos de todos los servicios de la Clínica 25 de Mayo, Mar del Plata, Argentina.