La citología ginecológica ha sido, durante décadas, la piedra angular de la prevención del cáncer de cuello uterino. Sin embargo, el análisis del test de Papanicolaou (PAP) sigue siendo uno de los procesos más analógicos y demandantes en el laboratorio de anatomía patológica.
El cribado citológico convencional presenta una dificultad intrínseca: un solo frotis puede contener entre 50 000 y 100 000 células. El patólogo debe identificar un puñado de células displásicas en una superficie extensa, lo que genera fatiga visual y una variabilidad interobservador que ya fue documentada.
En Argentina, y en toda Latinoamérica, la distribución desigual de especialistas y la carga administrativa en hospitales públicos, subrayan la necesidad de herramientas de asistencia que optimicen el triage de las muestras. Y es así que se inicia, bajo la premisa de esta necesidad, un proyecto de generación de un algoritmo de "lectura" de los PAPs con datos nativos y locales. Esto es así, porque uno de los mayores obstáculos para la IA en medicina es el sesgo de dominio. La mayoría de los algoritmos se entrenan con datos extranjeros, anglosajones y no de Latinoamérica, que no siempre reflejan las técnicas de fijación y tinción locales.
El equipo de la Dra. Bruno abordó el problema mediante la creación del Dataset RIVA y relató el proceso en el Simposio de Informática Oncológica del IAF 2025:
* Iniciar la reproducción en 05:10:01 para ver la presentación de Luciana Bruno.
A diferencia de la captura con microscopio convencional, en este proyecto se utilizó un escáner de Whole Slide Imaging (WSI) para obtener imágenes de alta fidelidad, permitiendo un análisis multiescala de la muestra.
No obstante, el proyecto no se limitó a clasificar imágenes, sino que realizó un mapeo celular exhaustivo con la base de 26 000 anotaciones manuales, usando la clasificación basada en el sistema Bethesda. Las muestras fueron analizadas en paralelo por cuatro patólogas para mitigar la subjetividad y establecer un ground truth más confiable.
Para la detección y clasificación de células, el proyecto optó por la arquitectura YOLO v8 (You Only Look Once). Aunque es una red diseñada originalmente para visión computacional general, su aplicación en citología ofrece ventajas en el entorno clínico: tiene buena velocidad de procesamiento (capacidad de analizar porciones mínimas de la imagen en milisegundos), detección multiclase (no solo identifica si hay lesión, sino que clasifica el grado de atipia celular simultáneamente) y la localización es precisa (genera cuadros delimitadores o bounding boxes que permiten al patólogo dirigir su mirada directamente a la zona de interés).
La Dra. Bruno enfatizó dos problemas técnicos que la comunidad médica debe comprender:
- Hay desbalance de clases. En una población de cribado, el 95 % de las células son normales. Entrenar a un modelo para que no "ignore" las células malignas requiere técnicas avanzadas de balanceo de datos.
- Generalización: Un modelo entrenado en una institución puede fallar en otra, debido a diferencias en el espesor del frotis o la intensidad de la tinción. El proyecto Riva busca superar esto mediante la inclusión de una mayor diversidad de muestras nacionales.
En definitiva, la visión presentada no es la de un sistema autónomo que reemplaza al médico, sino la de una organización jerárquica de la búsqueda de anomalía. La IA actúa como un filtro que prioriza las muestras con mayor probabilidad de ser anoramles y señala las células sospechosas, permitiendo que el patólogo dedique su tiempo y pericia a los casos complejos.