CNN MAMA

El modelo se entrenó con un dataset compuesto por más de 2.000 estudios de mamografía. Todos los estudios están debidamente anonimizados y organizados por paciente, vista y tipo de hallazgo, respetando las normativas de protección de datos.

Esta base incluye casos normales y patológicos, con distintas edades, densidades mamarias y tipos de equipos, lo que permite entrenar redes neuronales más robustas y adaptadas a la realidad clínica local, en lugar de depender únicamente de bases de datos internacionales.

NUESTRO SSIM DE ENTRENAMIENTO

En la detección de anomalías se utiliza el índice SSIM (Structural Similarity Index Measure) para comparar la similitud estructural entre una imagen original y la salida generada por la red (por ejemplo, un autoencoder).

Cuando el tejido es normal, la red reconstruye la imagen con alta similitud y el SSIM es elevado. En cambio, si hay una anomalía (masa, calcificación, distorsión), la reconstrucción suele diferir más del original y el SSIM disminuye en esa región. Este contraste en SSIM permite localizar áreas sospechosas de forma cuantitativa y automatizada

NUESTRO ACCURACY

Para evaluar la calidad de la clasificación automática en BI-RADS, se utiliza la métrica de accuracy, que indica qué porcentaje de estudios la red neuronal clasifica correctamente dentro de las categorías definidas. Esta métrica se calcula sobre conjuntos de validación y prueba separados de los datos de entrenamiento, asegurando que el modelo no solo “memorice” los ejemplos, sino que realmente generalice.

Un buen nivel de accuracy en BI-RADS implica que la CNN es una herramienta confiable para apoyar al profesional en la estratificación de riesgo y priorización de pacientes.

La CNN multivista integra simultáneamente las distintas proyecciones de la mama (por ejemplo, CC y MLO) para buscar patrones anómalos. En lugar de analizar cada vista por separado, el modelo combina la información espacial y de intensidad entre imágenes correlacionadas de la misma mama.

Esto mejora la detección de microcalcificaciones, masas y distorsiones arquitectónicas que pueden verse de forma diferente en cada proyección. El enfoque multivista aproxima mejor la forma en que trabaja un radiólogo, que siempre contrasta mentalmente las distintas vistas del mismo estudio.

Desarrollamos una red neuronal convolucional (CNN) diseñada específicamente para la clasificación de mamas en imágenes mamográficas. El modelo analiza patrones de textura, densidad y contornos en la imagen para asistir en la clasificación según criterios clínicos predefinidos (por ejemplo, mamas densas vs. no densas, o categorías de riesgo).

Esta CNN no reemplaza al profesional, sino que funciona como un segundo lector automático, ayudando a reducir el cansancio visual, homogeneizar criterios y priorizar estudios que requieren una revisión más detallada.

La solución desarrollada está diseñada para ser altamente escalable en distintos entornos clínicos y tecnológicos. Su arquitectura que combina CNN especializadas, multivista y módulos de detección de anomalías permite incorporar nuevos datos de diferentes instituciones sin modificar la estructura central del sistema. A medida que se agregan estudios provenientes de otros mamógrafos, resoluciones y poblaciones, el modelo se adapta mediante transfer learning, manteniendo e incluso mejorando su rendimiento sin requerir entrenamientos completos desde cero.

Esta escalabilidad hace posible que la plataforma se implemente tanto en clínicas pequeñas, como en grandes centros hospitalarios o redes provinciales de imagenología, integrándose de manera fluida mediante estándares como DICOM y PACS. Además, la solución puede crecer horizontalmente (procesando más estudios en paralelo) o verticalmente (empleando hardware más potente para análisis en tiempo real).