Rafael Rojas, egresado del programa AWS re/Start, ha desarrollado un Asistente médico de detección de tumores cerebrales impulsado por Inteligencia Artificial. La solución combina modelos avanzados de Deep Learning y servicios en la nube para optimizar los flujos de trabajo en el sector salud, logrando conectar de manera eficiente al personal de radiografía con los médicos especialistas para agilizar la toma de decisiones clínicas.
¿De qué trata el proyecto?
El proyecto consiste en una plataforma web médica inteligente capaz de analizar imágenes de resonancias magnéticas y encefalogramas para identificar tres tipos específicos de tumores cerebrales: meningioma, glioma y tumor pituitario. El sistema no solo clasifica la lesión de forma automatizada sin importar la orientación del corte de la imagen, sino que procesa los datos del paciente y genera un informe preliminar técnico con recomendaciones médicas estandarizadas en cuestión de segundos.
¿Qué problema viene a resolver?
La arquitectura aborda de manera directa la lentitud y fragmentación en el sistema de salud, una problemática grave en países como México, donde los tiempos de espera para diagnósticos, consultas y derivaciones son críticamente largos. Tradicionalmente, un paciente debe tomarse la radiografía, esperar días para los resultados, agendar una nueva cita para la interpretación y finalmente ser redirigido al especialista. En casos de tumores cerebrales, el tiempo es vital; este proyecto resuelve dicha barrera acortando los tiempos de diagnóstico mediante la detección temprana y la automatización del papeleo clínico.
¿Cuál es la solución?
La solución plantea un software hospitalario integrado que centraliza el proceso en un único flujo rápido. Al subir la radiografía y capturar datos iniciales del paciente (como síntomas o datos demográficos), una red neuronal procesa la imagen y extrae sus características. Para proteger la privacidad del paciente, estos metadatos anonimizados se conectan con un modelo de lenguaje que devuelve una explicación técnica y recomendaciones sugeridas. Además, el sistema incluye un mecanismo de feedback en bucle: si el médico tratante corrige el diagnóstico, esa retroalimentación se envía al sistema para reentrenar el modelo de IA por aprendizaje por refuerzo.
¿Cómo fue construido?
El proyecto se edificó utilizando arquitecturas avanzadas de Inteligencia Artificial y un robusto esquema de seguridad en Amazon Web Services (AWS) estructurado de la siguiente forma:
- Procesamiento de Imágenes (Deep Learning): Entrenamiento y desarrollo de Redes Neuronales Convolucionales (CNN) a partir de datasets públicos, transformados a formato PNG, capaces de abstraer características visuales sin importar la orientación del corte anatómico.
- Orquestación y Cómputo IA: Uso de funciones AWS Lambda para activar los flujos de análisis de forma serverless, las cuales se conectan directamente con Amazon SageMaker para alojar, ejecutar y consultar el modelo predictivo entrenado.
- Seguridad y Privacidad de Datos: Al tratarse de información médica sensible, se integró Amazon Cognito y AWS IAM (Identity and Access Management) para la gestión estricta de identidades y accesos de los socios y médicos autorizados.
- Cifrado y Confianza: Implementación de AWS Certificate Manager (ACM) para garantizar conexiones cifradas y seguras a través de HTTPS, asegurando que el personal interactúe con la herramienta correcta.
- Consumo e Interfaz: Una interfaz web intuitiva capaz de procesar variables en tiempo real, almacenar los objetos médicos en repositorios en la nube y emitir reportes editables listos para la validación del especialista.
