Equipo mexicano impulsa diagnóstico de cáncer de piel con Inteligencia Artificial y Procesamiento de Lenguaje Natural

Redacción Noti.MX

Un equipo de investigación mexicano está utilizando inteligencia artificial para ayudar a los médicos a detectar a tiempo el cáncer de piel, una de las formas más frecuentes de cáncer en el mundo. La idea central es sencilla pero poderosa: aprovechar mejor la información que ya se genera todos los días en los hospitales —las notas que escriben los médicos después de cada consulta— y transformarla en una herramienta que apoye las decisiones clínicas.

La investigación, publicada por la editorial científica Springer, combina análisis de texto médico y redes neuronales profundas para mejorar el diagnóstico de cáncer de piel a partir de estas notas clínicas. En lugar de pedir más estudios, más aparatos o más tiempo de consulta, el proyecto propone “escuchar” con mayor atención lo que ya está escrito en los expedientes, utilizando algoritmos capaces de leer texto y encontrar patrones que a simple vista podrían pasar desapercibidos.

El estudio se titula “Skin Cancer Diagnosis Enhancement Through NLP and DNN-Based Binary Classification” y fue desarrollado por cinco investigadores: Joshua R. G. Guerrero-Rangel, Christian E. Maldonado-Sifuentes, M. Cristina Ortega-García, Grigori Sidorov y Liliana Chanona-Hernández. Todos ellos colaboran entre el Centro de Investigación en Computación del Instituto Politécnico Nacional (IPN) y el laboratorio TRAI-L, en la Ciudad de México. Se trata de un equipo multidisciplinario donde conviven especialistas en cómputo, en lenguaje, en ciencia de datos y en salud.

Para entender el aporte del proyecto, vale la pena explicar algunos términos. Por un lado está el Procesamiento de Lenguaje Natural (PLN), un área de la inteligencia artificial que permite a las computadoras “entender” textos escritos en lenguaje humano. Gracias al PLN, una máquina puede leer las notas de un médico, identificar palabras clave, síntomas, diagnósticos y relaciones entre ellos. Por otro lado están las redes neuronales profundas, modelos matemáticos inspirados en la forma en que funciona el cerebro, capaces de aprender a partir de grandes cantidades de datos y mejorar su desempeño con la experiencia.

En vez de analizar fotografías o imágenes de la piel —como hacen muchas aplicaciones conocidas—, este proyecto se concentra en el texto. A partir de un conjunto amplio de notas clínicas reales, el equipo entrenó un modelo de inteligencia artificial para que aprendiera a distinguir entre casos de cáncer de piel no melanoma y otras condiciones. El sistema “lee” la descripción escrita por el médico y, con base en lo que ha aprendido, estima si el caso corresponde o no a este tipo de cáncer. El modelo alcanzó un desempeño muy elevado (un puntaje F1 de 0.95), lo que significa que acierta en la gran mayoría de las predicciones y comete muy pocos errores tanto al identificar casos positivos como al descartar los negativos.

Detrás de estos resultados hay un trabajo ampliamente colaborativo. Joshua R. G. Guerrero-Rangel se encargó principalmente de construir y entrenar el modelo de red neuronal que procesa el lenguaje de las notas clínicas. Es decir, convirtió las palabras en números, ajustó la arquitectura del modelo y lo entrenó hasta lograr un equilibrio entre precisión y estabilidad. Christian E. Maldonado-Sifuentes diseñó la forma en que los textos se transforman en datos que la máquina puede entender. La nutrióloga M. Cristina Ortega-García aportó la mirada clínica y de salud integral. Aunque el modelo trabaja con texto, al final se trata de pacientes reales. Su participación ayudó a interpretar los datos desde la práctica de la salud, a revisar la coherencia de la información utilizada y a asegurar que las conclusiones fueran útiles para médicos y pacientes.

Grigori Sidorov, experto en procesamiento de lenguaje natural, guió la elección de técnicas, herramientas y métodos para que el uso de PLN estuviera alineado con la frontera internacional de la investigación. Su experiencia permitió evaluar qué enfoques eran más adecuados para textos médicos en español y cómo compararlos con otros trabajos similares en el mundo. Finalmente, Liliana Chanona-Hernández contribuyó a analizar el impacto potencial del modelo en escenarios clínicos, es decir, cómo podría integrarse a la práctica médica cotidiana, qué ventajas ofrecería frente a los métodos actuales y cuáles serían los siguientes pasos para acercar esta tecnología a hospitales y centros de salud.

El contexto de esta investigación es sumamente relevante. El cáncer es una de las principales causas de muerte en el planeta, y el cáncer de piel se encuentra entre los de mayor incidencia. En muchos casos, la clave para un buen pronóstico está en la detección temprana: identificar las lesiones sospechosas cuando todavía es posible aplicar tratamientos menos invasivos y más efectivos. Sin embargo, la realidad de los sistemas de salud suele incluir consultas breves, alta carga de trabajo y montones de expedientes por revisar.

Ahí es donde entra la propuesta de este equipo. En lugar de reemplazar al médico, la inteligencia artificial se plantea como una herramienta de apoyo. Mientras el especialista se concentra en la exploración y la comunicación con el paciente, el sistema puede ayudar en segundo plano a revisar patrones en las notas, señalar casos que requieren atención prioritaria o sugerir la posibilidad de cáncer de piel con base en lo que otros miles de expedientes han mostrado. Esta colaboración entre humano y máquina busca que nadie se pierda “entre los papeles”.

El aporte de este trabajo no se limita al cáncer de piel. Demuestra que, con una colaboración cercana entre médicos, nutriólogos, lingüistas y especialistas en cómputo, es posible construir soluciones tecnológicas que respeten la realidad de las clínicas y que aprovechen la información que ya se genera a diario. En el futuro, enfoques similares podrían adaptarse a otros tipos de cáncer o enfermedades crónicas, contribuyendo a sistemas de salud más preventivos, más precisos y, sobre todo, más centrados en las personas.