CytoLens: marco preliminar para el apoyo al cribado y la priorización de hallazgos en citología cervical digitalmediante inteligencia artificial

• Sandra Marcos Recio ^[1] ; Lautaro Rossi Labianca ^[1] ; Ana-Belén Gil-González ^[1] ; Andrés Cardona-Mendoza ^[2]
  1. [1] Universidad de Salamanca

     Universidad de Salamanca

     Salamanca, España

     
  2. [2] Universidad El Bosque

     Universidad El Bosque

     Colombia

     
• Localización: Inteligencia artificial aplicada al reto demográfico / coord. por Ana Belén Gil González , Laura Grande Pérez, Javier Parra Domínguez , 2026, ISBN 978-84-1091-189-5, págs. 35-39
• Idioma: español
• Títulos paralelos:
  • CytoLens: preliminary framework for supporting screening and prioritisation of findings in digital cervical cytology using artificial intelligence
• Enlaces
  • Texto completo
• Resumen
  • español

    El proyecto CytoLens, en colaboración entre la Universidad El Bosque yBISITE, propone un marco metodológico para apoyar el cribado citológico del cáncer cervicalen patología digital mediante inteligencia artificial a partir de láminas completas digitalizadas(WSI). El trabajo define un pipeline reproducible de control de calidad y generación de parches,y en su estado actual se centra en detectores de instancias tipo YOLO para aportar evidencialocalizada y soporte a la revisión experta. Como evolución del marco, se contempla incorporarmodelos de aprendizaje por instancias múltiples (MIL) con autoatención para priorización anivel de lámina y estrategias de pseudoetiquetado con revisión parcial, con evaluación basadaen particionado por paciente y criterios de utilidad clínica.

  • English

    The CytoLens project, a collaboration between El Bosque University andBISITE, proposes a methodological framework to support the cytological screening of cervicalcancer in digital pathology using artificial intelligence based on whole-slide images (WSIs). Thework defines a reproducible pipeline for quality control and patch generation, and in its currentstate focuses on YOLO-type instance detectors to provide localised evidence and support forexpert review. As a further development of the framework, the plan is to incorporate multiinstance learning (MIL) models with self-attention for slide-level prioritisation and pseudolabelling strategies with partial review, with evaluation based on patient-level partitioningand clinical utility criteria.