Facultades e institutos

• Facultad de Ciencias de la Salud
• Facultad de Ingeniería y Ciencias
• Instituto iÓmicas

Grupos de Investigación

• ECGESA
• DESTINO

Departamentos

• Departamento de Salud Pública y Epidemiología
• Departamento de Electrónica y Ciencias de la Computación
• Departamento de Materno Infantil

• Se obtuvo la Patente de Modelo de Utilidad (Resolución N.° 29708, SIC, concedida el 19 de mayo de 2025, Ref. Expediente N.° NC2024/0008763), que protege el diseño del “Aparato transvaginal con medios basados en inteligencia artificial para la mejora del examen de detección temprana del riesgo de cáncer cervical”.  

• Se realizó la solicitud de patente internacional bajo el Tratado de Cooperación en Materia de Patentes (PCT), lo que fortalece las posibilidades de transferencia y escalamiento global de la tecnología.  

• Se diseñaron y registraron dos softwares: uno para la comunicación entre CITOBOT y el agente inteligente, y otro orientado a la gestión de imágenes y resultados diagnósticos.  

• El desempeño diagnóstico de CITOBOT en la detección temprana de cáncer de cuello uterino alcanzó una sensibilidad de 94% y una especificidad de 95%, al ser comparado con biopsia como prueba de referencia. Estos resultados confirman su alta capacidad para discriminar de manera precisa entre lesiones cervicales y casos negativos. 

• Se desarrolló y caracterizó un bio-nanosensor colorimétrico basado en nanopartículas de oro funcionalizadas con anticuerpos monoclonales específicos para los tipos oncogénicos de VPH 16 y 18. El nanosensor mostró un cambio visible de color (rojo a violeta) en presencia de las proteínas recombinantes L1 de los genotipos evaluados, con un comportamiento lineal y reproducible en los rangos de 0,4–2,0 μg/mL (HPV16-L1) y 0,2–1,2 μg/mL (HPV18-L1). La validación analítica demostró buena sensibilidad (LoD = 0,18 μg/mL para HPV16-L1), precisión (RSD < 12 %), exactitud, robustez y alta selectividad frente a otros genotipos de VPH y proteínas no relacionadas. El nanosensor mantuvo estabilidad durante al menos 90 días a 4 °C. 

• En la evaluación clínica con 173 muestras cervicales, el nanosensor alcanzó especificidad de 77,8 % para HPV16 y 87,3 % para HPV18, con valores predictivos negativos superiores al 96 %, lo que resalta su utilidad como herramienta de tamizaje rápido y de bajo costo en contextos de recursos limitados, aunque con sensibilidad restringida por la baja prevalencia de casos positivos en la cohorte estudiada. 

• La caracterización de la aceptabilidad de CITOBOT como dispositivo para el tamizaje de cáncer de cuello uterino evidenció resultados altamente positivos entre las mujeres usuarias y el personal de salud. En el estudio piloto con 20 participantes en Cali, el 75 % reportó alta aceptabilidad y el 25 % aceptabilidad moderada, sin casos de baja aceptabilidad ni efectos adversos en el seguimiento a 7 días. Las participantes señalaron sentirse seguras (90 %), experimentaron niveles bajos o nulos de dolor (50 % sin dolor, 50 % dolor leve), y valoraron la experiencia como más cómoda en comparación con el espéculo tradicional (55 % mejor, 35 % equivalente, 10 % peor). Asimismo, todas expresaron disposición a repetir el examen, recomendarlo a otras mujeres y acudir a servicios de salud si se les convocara para realizarlo.  

• El desarrollo del agente inteligente de CITOBOT siguió un proceso estructurado que abarcó varias fases clave. En primer lugar, se realizaron pruebas exploratorias con 1.310 imágenes cervicales provenientes del National Cancer Institute (EE. UU.) y la OMS, lo que permitió comparar diferentes arquitecturas de machine learning y deep learning. Este ejercicio evidenció la necesidad de implementar técnicas de segmentación de imágenes para reducir el ruido y centrar el análisis en las zonas cervicales relevantes. Posteriormente, se conformó un dataset propio de 1.621 imágenes de 461 pacientes, revisadas y clasificadas por expertos en patología cervical en dos categorías: negativas y en riesgo (NIC I, NIC II, NIC III y cáncer). Las imágenes fueron procesadas en formato RGB para preservar información cromática, aplicando algoritmos de normalización, aumentación de datos y balanceo de clases, además de la segmentación mediante el modelo Segment Anything Model (SAM) para optimizar la detección de regiones de interés. 

• En la fase de diseño, se evaluaron diversas arquitecturas (AlexNet, GoogLeNet, U-Net, ResNet, VGGNet, Transformers), seleccionándose InceptionV3 con transfer learning por su capacidad para identificar patrones multi-escala y su superior rendimiento en la clasificación de imágenes cervicales. El entrenamiento incluyó validación cruzada de cinco pliegues y optimización de hiperparámetros, lo que garantizó un modelo robusto y con bajo riesgo de sobreajuste.