Invitación a participar del Seminario de Investigación: Inteligencia Artificial al Servicio del Diagnóstico Médico

La Facultad de Ingeniería de la Universidad Nacional de Asunción (FIUNA), a través de la Maestría en Ciencias de la Inteligencia Artificial, invita a estudiantes, docentes e investigadores a participar de un Seminario de Investigación enfocado en aplicaciones avanzadas de la inteligencia artificial en el ámbito de la salud, con énfasis en problemas de alto impacto social.

El seminario abordará cómo los enfoques modernos de aprendizaje profundo y modelos multimodales permiten integrar sensores electrónicos, análisis automatizado de imágenes médicas y datos clínicos para mejorar procesos de diagnóstico, particularmente en contextos con recursos limitados.

La actividad está abierta a estudiantes de grado de las carreras de Ingeniería Electrónica, Ingeniería Mecatrónica, sus nuevas intensificaciones y áreas afines, así como a estudiantes de posgrado interesados en sistemas inteligentes, procesamiento de señales, visión por computadora e inteligencia artificial aplicada.

El expositor será el Prof. Dr. Ing. Leonardo Jara, Ingeniero Electrónico egresado de la FIUNA, Doctor por la Universidad de Granada y actualmente investigador posdoctoral en Radboud University Medical Center (RadboudUMC), Países Bajos. Durante el seminario compartirá su experiencia en investigación internacional y presentará un caso de estudio real desarrollado en el ámbito clínico, mostrando el recorrido desde la formación en la FIUNA hasta la aplicación de la ingeniería y la IA en centros de investigación de referencia mundial.

Este seminario constituye una oportunidad para conocer líneas actuales de investigación, comprender cómo se articulan la ingeniería y la medicina mediante inteligencia artificial, y motivar a estudiantes a involucrarse en proyectos de investigación con impacto real.

📌Información del Seminario

🗓️ Jueves 18 de Diciembre del 2025
⏰ 10:00 h
📍 Sala B1 de la FIUNA, Campus de la UNA, San Lorenzo
👤 Modalidad Presencial

Título y Resumen del Trabajo Presentado

Detección de Tuberculosis mediante un Enfoque Multimodal Basado en Inteligencia Artificial que Integra Nariz Electrónica, CAD4TB y Datos Clínico-Demográficos

Abstract
La tuberculosis (TB) sigue representando un importante problema de salud pública a nivel mundial, especialmente en entornos con recursos limitados, donde el diagnóstico oportuno continúa siendo un desafío. En este estudio se presenta un enfoque diagnóstico innovador basado en modelos de aprendizaje profundo multimodales que integran señales de una nariz electrónica (Aeonose), resultados de radiografía de tórax analizados mediante el sistema de inteligencia artificial CAD4TB y variables clínicas y demográficas de los pacientes.

Las señales de la nariz electrónica, obtenidas a partir del perfil de compuestos orgánicos volátiles presentes en el aire exhalado, son transformadas en señales eléctricas y procesadas mediante redes neuronales convolucionales. De forma complementaria, los puntajes y salidas generados por CAD4TB a partir de radiografías de tórax se incorporan como biomarcadores de imagen, mientras que la información clínica y demográfica es integrada mediante capas densas. La fusión de estas fuentes heterogéneas de información se realiza en un marco multimodal diseñado para capturar patrones complementarios asociados a la presencia de tuberculosis.

El desempeño de los modelos se evalúa utilizando métricas clínicamente relevantes, incluyendo sensibilidad, especificidad, F1-score y curvas ROC, con especial énfasis en maximizar la sensibilidad diagnóstica en contextos de datos desbalanceados. Los resultados muestran que el enfoque multimodal supera de forma consistente a los modelos unimodales, evidenciando una mejora significativa en la detección de casos positivos de TB.

Estos hallazgos indican que la combinación de biomarcadores respiratorios, análisis automatizado de radiografía de tórax mediante CAD4TB y datos clínicos, apoyada por inteligencia artificial, constituye una estrategia prometedora para el desarrollo de herramientas diagnósticas no invasivas, escalables y aplicables a programas de cribado de tuberculosis a gran escala.

Leer artículo: https://onlinelibrary.wiley.com/doi/10.1111/joim.13281