.jpg)
La clasificación precisa del cáncer de mama a partir de mamografías exige una integración efectiva de las vistas craneocaudal (CC) y mediolateral oblicua (MLO), ya que cada una aporta información complementaria sobre la anatomía y las posibles anomalías. Sin embargo, los enfoques tradicionales de aprendizaje multivista suelen limitarse a agregar características en una sola capa o emplear mecanismos de atención cruzada en una etapa única, lo que tiende a entremezclar las representaciones específicas de cada vista y restringe la interacción a niveles superficiales de la red neuronal. Frente a esta limitación, surge un paradigma prometedor: la fusión de vistas duales basada en tokens, un marco conceptual que reformula la interacción entre vistas como una comunicación estructurada a nivel de tokens dentro de un transformer preentrenado y congelado.
En este enfoque, en lugar de fusionar directamente los mapas de características, se introducen tokens de fusión dedicados que actúan como portadores intermedios de las dependencias cruzadas entre las vistas CC y MLO. Estos tokens se intercambian información bidireccionalmente mediante mecanismos de atención cruzada, y se insertan en múltiples profundidades del codificador del transformer, lo que permite una interacción progresiva y jerárquica a lo largo de toda la arquitectura. De esta manera, los tokens de fusión se reintegran en la secuencia de tokens y son refinados por las capas posteriores, preservando al mismo tiempo la estructura específica de cada vista. Este diseño evita el enredo de representaciones y maximiza la complementariedad de la información.
Los resultados experimentales sobre conjuntos de datos como VinDr-Mammo y CMMD demuestran mejoras consistentes frente a métodos de ajuste lineal, adaptación solo con prompts y líneas base de fusión convencional. En la tarea de clasificación BI-RADS, se alcanza un F1-score del 50.40% y un AUC de 0.8090, con un incremento de 0.10 en AUC respecto a la línea base de fusión dual en el escenario binario. Estos avances abren la puerta a sistemas de diagnóstico asistido más precisos y fiables, especialmente cuando se integran en plataformas de software a medida para entornos clínicos.
La implementación de estas técnicas avanzadas de visión por computadora requiere una sólida base de inteligencia artificial y un ecosistema tecnológico robusto. En Q2BSTUDIO, como especialistas en inteligencia artificial para empresas, desarrollamos aplicaciones a medida que incorporan modelos de deep learning, agentes IA y soluciones de procesamiento de imágenes médicas. Además, combinamos estos desarrollos con servicios cloud AWS y Azure para garantizar escalabilidad, ciberseguridad en el manejo de datos sensibles y una integración fluida con herramientas de inteligencia de negocio como Power BI. Nuestro enfoque permite a las organizaciones sanitarias aprovechar al máximo las innovaciones en clasificación de cáncer de mama, transformando la investigación académica en soluciones clínicas operativas y de alto valor.
