StartUP :KamIA (Build 2026.01)

Sistema de Detección Asistida por Computadora (CADe) basado en Deep Learning para Neumonía en Radiografía de Tórax.

Presentamos una plataforma SaaS diseñada para mitigar la latencia diagnóstica en entornos de recursos limitados, utilizando una arquitectura de Red Neuronal Convolucional (CNN) optimizada para alta sensibilidad en la identificación de consolidaciones pulmonares.

N=112,120 CXR Images
DenseNet-121 Backbone
NIH & MIMIC Validation
SCROLL FOR DATA

Justificación Clínica y Desafíos Diagnósticos

La neumonía adquirida en la comunidad sigue siendo una causa líder de morbilidad y mortalidad global, exacerbada en regiones andinas por factores climáticos (friaje). El estándar de oro diagnóstico, la radiografía de tórax (CXR), enfrenta cuellos de botella operativos críticos.

Latencia Diagnóstica Crítica

En establecimientos de salud periféricos (Perú), el tiempo transcurrido desde la adquisición de la imagen hasta la lectura oficial por un radiólogo certificado puede exceder las 72 horas, retrasando intervenciones terapéuticas vitales.

Avg. Delay > 72h

Adicionalmente, la variabilidad inter-observador y la fatiga visual en turnos extendidos contribuyen a una tasa de falsos negativos estimada entre el 15% y 20% en la práctica clínica estándar, resultando en pacientes dados de alta prematuramente.

Arquitectura del Modelo y Metodología de Entrenamiento

El núcleo de KamIA es una red neuronal convolucional profunda optimizada para la clasificación binaria de patologías torácicas. El pipeline de desarrollo siguió rigurosos protocolos científicos.

01.

Curación del Dataset

Se agregaron datos de NIH ChestX-ray14 y MIMIC-CXR. Se realizó una limpieza de metadatos y exclusión de proyecciones laterales y P.A. de baja calidad, resultando en un corpus de entrenamiento de N=112,120 imágenes etiquetadas por radiólogos.

02.

Preprocesamiento de Imagen

Las imágenes DICOM se convirtieron a PNG de 16-bit. Se aplicó normalización de histograma (CLAHE) para mejorar el contraste local en los campos pulmonares y redimensionamiento a 512x512 input tensors.

03.

Transfer Learning con DenseNet-121

Se utilizó una arquitectura DenseNet-121 pre-entrenada en ImageNet como extractor de características. Las capas finales densas se sustituyeron y re-entrenaron (fine-tuning) específicamente para la detección de patrones de consolidación e infiltrados.

Validación y Métricas de Rendimiento

El modelo fue evaluado en un conjunto de prueba independiente (n=15,000) no visto durante el entrenamiento. Los resultados demuestran una capacidad de generalización robusta superior al benchmark humano promedio en tareas de triaje.

Métrica Valor (95% CI)
AUC-ROC 0.965 (0.95-0.97)
Sensibilidad (Recall) 94.2% (92.1-95.8)
Especificidad 91.5% (89.5-93.1)
Valor Predictivo Pos. 88.7%
F1-Score 0.914
*Benchmark humano basado en promedios de radiólogos generales reportados en literatura comparativa (e.g., Rajpurkar et al.).

Curva ROC Comparativa (Receptor Operating Characteristic)

Test Environment v2.0

Inferencia en Tiempo Real & Análisis de Tensores

Simulación del pipeline de procesamiento completo. Cargue una radiografía para ejecutar la inferencia del modelo DenseNet-121, visualizar mapas de calor Grad-CAM y obtener métricas de confianza softmax.

DICOM / PNG / JPEG

Arrastre archivo o click para examinar

> System Ready. Waiting for input tensor...

Classification Output (Softmax)

--
Latency: -- ms
0.000
Confidence Score ($\hat{y}$)
SNR (Signal-to-Noise)
-- dB
Entropy Loss
--

Matriz de Confusión (Local Batch)

Actual Pos Actual Neg
TP True Positive
FP False Positive
FN False Negative
TN True Negative
Predicción

Integración en el Ecosistema Hospitalario (RIS/PACS)

La arquitectura está diseñada como un servicio "zero-footprint" que se adhiere a los estándares de interoperabilidad HL7 y DICOM para una implementación sin fricción.

1. DICOM C-STORE

El PACS hospitalario envía automáticamente una copia del estudio al servidor de inferencia KamIA mediante protocolo DICOM estándar.

2. Inferencia CNN

El motor de IA procesa la imagen (< 1.5s) y genera un score de probabilidad y mapas de activación (Grad-CAM).

3. HL7 ORU R01

Los resultados estructurados se envían al RIS (Sistema de Información Radiológica) mediante mensajes HL7 para poblar la lista de trabajo.

4. Revisión Priorizada

El radiólogo visualiza los casos de alta probabilidad primero en su visor PACS habitual, con overlays de soporte a la decisión.