Desarrollar una herramienta computacional capaz de clasificar la densidad mamaria BI-RADS a partir de imágenes mamográficas, utilizando algoritmos de inteligencia artificial.

1. Conformación de una base de datos de imágenes mamográficas etiquetadas por profesionales de la salud, según el sistema BI-RADS
2. Evaluación comparativa de distintas arquitecturas de redes convolucionales, incluyendo
• ConvNeXt-Tiny
• ResNet-50
• VGG-16
3. Implementación de un pipeline evolutivo basado en optimización por enjambre de partículas (PSO) para ajustar hiperparámetros y mejorar el desempeño del modelo.
4. Uso de funciones de pérdida avanzadas (Cross-Entropy y Focal Loss) junto con estrategias de balanceo adaptativo, enfocadas en mejorar la sensibilidad de clases minoritarias

Desarrollo exitoso de un modelo de clasificación automática de densidad mamaria BI-RADS.

• Mejora de la sensibilidad en clases minoritarias, particularmente relevante en escenarios clínicos reales.
• Validación de que la combinación de redes profundas con algoritmos evolutivos incrementa la robustez del modelo ante datos desbalanceados.
• Publicación de resultados en revistas científicas y conferencias internacionales, fortaleciendo la visibilidad del proyecto y del ecosistema científico nacional.

Impacto científico

• Fortalecimiento de la investigación aplicada en IA para diagnóstico médico por imágenes.
• Generación de conocimiento transferible a otros proyectos biomédicos basados en imágenes médicas.

Impacto tecnológico

• Desarrollo de un pipeline adaptable y reutilizable, aplicable a otros problemas de clasificación en salud.
• Potencial escalabilidad hacia herramientas clínicas de apoyo diagnóstico.

Impacto social y sanitario

• Aporte indirecto a la detección temprana del cáncer de mama, una de las principales causas de mortalidad femenina.
• Apoyo a profesionales de la salud mediante herramientas computacionales objetivas y reproducibles.