Desarrollo de un modelo multimodal de interpretación de imágenes de citologías cérvicouterinas convencionales

Abstract

La citología cérvicouterina continúa siendo una herramienta fundamental para la detección temprana de lesiones precursoras del cáncer de cuello uterino, no obstante, su interpretación manual enfrenta retos derivados de la subjetividad diagnóstica y de la variabilidad interobservador. En este estudio, se propone la adaptación de un modelo visión-lenguaje (VLM) para la interpretación de imágenes de citología cérvicouterina convencional, integrando descripciones formuladas según el Sistema Bethesda y un conjunto de datos primario compuesto por imágenes crudas. El proceso contempló la construcción de un dataset estructurado que combina recortes de regiones de interés con descripciones citológicas enriquecidas mediante un LLM externo. Posteriormente, se definió la arquitectura BLIP-2 considerando el estado del arte y se exploraron diversas configuraciones, las cuales fueron entrenadas y evaluadas. Este proceso se complementó con una validación experta orientada a examinar la alineación semántica y la coherencia citomorfológica de las descripciones generadas. Los hallazgos muestran un sistema preliminar que, aunque limitado, sienta bases metodológicas claras para el desarrollo de aplicaciones del aprendizaje profundo en la citología cervicouterina convencional.