Jornada de Presentación: IA e Innovación en Salud organizada por el Lab Tech4MEDICS de la Facultad de Medicina de la Universidad de Chile.
Published:
Durante la Jornada de Presentación: IA e Innovación en Salud organizada por el Lab Tech4MEDICS, estudiantes de Tecnología Médica e Ingeniería Civil Eléctrica compartieron los resultados obtenidos en sus investigaciones, evidenciando el creciente impacto de la inteligencia artificial en el desarrollo de herramientas de apoyo al diagnóstico clínico. La actividad reunió a académicos, investigadores, estudiantes e invitados, tanto de forma presencial como remota.
La jornada fue inaugurada por las palabras de los profesores Víctor Castañeda y Denisse Karl Saez, directores del laboratorio Tech4MEDICS, quienes agradecieron la participación de los asistentes presenciales y de quienes siguieron las presentaciones en línea, destacando la importancia del trabajo colaborativo entre ingeniería y ciencias de la salud para impulsar la investigación aplicada.
Caracterización Ecográfica del Tejido Renal en una Población Rural de Chile mediante Inteligencia Artificial
Autores: Francisco Romero y Catalina Tobar
Este trabajo presentó una metodología basada en inteligencia artificial para la caracterización cuantitativa del tejido renal utilizando ecografías obtenidas en la cohorte MAUCO. El estudio consideró más de 760 pacientes y más de 3.000 imágenes, desarrollando un modelo de segmentación automática que alcanzó valores Dice cercanos a 0.9 para las principales estructuras anatómicas. Aunque los biomarcadores obtenidos demostraron ser estables frente a diferentes condiciones de adquisición de las imágenes, los resultados indican que, por sí solos, aún no permiten diagnosticar enfermedad renal crónica. No obstante, al combinarse con variables clínicas como edad y sexo, mejoran el desempeño predictivo, constituyendo una herramienta complementaria para futuras aplicaciones clínicas.
Sistemas Híbridos para la Segmentación y Clasificación Automática de Células Espermáticas
Autora: Camila Maire
La investigación propuso un sistema híbrido que integra métodos geométricos, modelos analíticos y redes neuronales profundas para la segmentación y clasificación automática de células espermáticas. El algoritmo alcanzó un desempeño cercano al 95% en segmentación semántica y permitió extraer un conjunto de características morfológicas altamente interpretables mediante técnicas de refinamiento de contornos. Posteriormente, estas características fueron combinadas con una red neuronal ligera basada en mecanismos de atención, logrando una precisión de clasificación superior al 84%, muy por encima de métodos tradicionales como las máquinas de soporte vectorial. El trabajo demuestra el potencial de combinar modelos explicables con Deep Learning para apoyar el diagnóstico reproductivo.
Desarrollo de algoritmos de inteligencia artificial para la evaluación de criterios de posicionamiento en mamografías digitales
Autora: Carolina Bavestrello
Esta investigación presentó algoritmos basados en Deep Learning y técnicas geométricas para evaluar automáticamente la calidad del posicionamiento durante la adquisición de mamografías digitales, considerando tanto proyecciones craneocaudales como mediolaterales oblicuas. Los modelos desarrollados obtuvieron excelentes resultados de segmentación para estructuras anatómicas relevantes, alcanzando un Dice promedio de 0.902 y un IoU promedio de 0.832. Estos resultados representan un importante avance hacia sistemas automáticos de control de calidad que podrían contribuir a mejorar la estandarización y confiabilidad de los exámenes mamográficos.
Predicción de la Severidad de la Estenosis Aórtica a partir de Electrocardiogramas Basales mediante Inteligencia Artificial
Autor: Anibal Molina
Esta investigación presentó el desarrollo de modelos de inteligencia artificial orientados a estimar la severidad de la estenosis aórtica a partir de electrocardiogramas basales, explorando una alternativa no invasiva para apoyar el diagnóstico precoz de esta enfermedad cardiovascular. El trabajo demuestra el potencial del aprendizaje profundo para extraer información clínicamente relevante desde señales electrocardiográficas de uso rutinario, contribuyendo al desarrollo de herramientas de apoyo a la toma de decisiones médicas y al fortalecimiento del diagnóstico asistido por inteligencia artificial en cardiología utilizando ResNet y XGBoost, mediante dos modelos: cascada y multiclase. La validaciòn externa evidenció un adecuado potencial de generalziación, aunque se requiere confirmación en cohortes más amplias y diversas.
Figura 1. Estudiantes y académicos durante la Jornada de Presentación: IA e Innovación en Salud organizada por el Lab Tech4MEDICS. .
La jornada reflejó el alto nivel alcanzado por los estudiantes en el desarrollo de investigaciones interdisciplinarias, integrando inteligencia artificial, procesamiento de imágenes médicas y aprendizaje profundo para abordar problemas clínicos de alto impacto. Estas presentaciones constituyen un importante hito previo a la defensa de tesis y evidencian el compromiso de los equipos de investigación con el desarrollo de soluciones tecnológicas que contribuyan al avance de la medicina de precisión. Felicitaciones a todos los estudiantes por el excelente trabajo realizado y a los equipos académicos que acompañaron este proceso formativo, fortaleciendo la colaboración entre ingeniería, tecnología médica y ciencias de la salud.