UNI y BiomedCLIP en la detección no supervisada de núcleos celulares en citología de Papanicolaou

Autores
Gramática, Martín Nicolás; García, Mario Alejandro; Elmoni, Sabrina; Ledesma, Lisandro
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
artículo
Estado
versión publicada
Descripción
La anotación manual de imágenes citológicas de Papanicolaou es un proceso costoso y demandante, lo que motiva la búsqueda de estrategias de apoyo basadas en inteligencia artificial. En este trabajo se propone un enfoque no supervisado para la identificación de núcleos celulares a partir de embeddings generados por modelos Transformer preentrenados. El método analiza y compara el procesamiento a través de representaciones visuales de BiomedCLIP y UNI con un esquema iterativo de clustering binario para separar progresivamente regiones de interés y detectar automáticamente núcleos con citoplasma. La evaluación sobre un subconjunto del dataset CRIC muestra que ambos modelos son capaces de localizar núcleos relevantes, aunque con patrones distintos: UNI tiende a obtener mayor precisión y F1 promedio, mientras que BiomedCLIP ofrece una cobertura más amplia a costa de un mayor número de falsos positivos. Una revisión cualitativa revela que parte de estos falsos positivos corresponde en realidad a estructuras útiles no anotadas en el dataset, lo que resalta tanto la utilidad práctica del método como la necesidad de métricas adaptadas al contexto de anotación asistida. En conjunto, los resultados evidencian que las representaciones basadas en Transformers constituyen una alternativa prometedora para acelerar la construcción de datasets en citología, reduciendo la carga manual de especialistas y mejorando la eficiencia del proceso de anotación.
Fil: Gramática, Martín Nicolás . Universidad Tecnológica Nacional. Facultad Regional Córdoba. Grupo de Investigación en Inteligencia Artificial; Argentina.
Fil: García, Mario Alejandro. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Grupo de Investigación en Inteligencia Artificial; Argentina.
Fil: Elmoni, Sabrina. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Grupo de Investigación en Inteligencia Artificial; Argentina.
Fil: Ledesma, Lisandro. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Grupo de Investigación en Inteligencia Artificial; Argentina.
Peer Reviewed
Materia
Inteligencia artificial
Aprendizaje automático
Patología digital
Nivel de accesibilidad
acceso abierto
Condiciones de uso
Attribution-NonCommercial-NoDerivs 2.5 Argentina
Repositorio
Repositorio Institucional Abierto (UTN)
Institución
Universidad Tecnológica Nacional
OAI Identificador
oai:ria.utn.edu.ar:20.500.12272/15609
Acceder
id RIAUTN_9833bd396900f9662fc24890fb8a43b0
oai_identifier_str oai:ria.utn.edu.ar:20.500.12272/15609
network_acronym_str RIAUTN
repository_id_str a
network_name_str Repositorio Institucional Abierto (UTN)
spelling UNI y BiomedCLIP en la detección no supervisada de núcleos celulares en citología de PapanicolaouGramática, Martín NicolásGarcía, Mario AlejandroElmoni, SabrinaLedesma, LisandroInteligencia artificialAprendizaje automáticoPatología digitalLa anotación manual de imágenes citológicas de Papanicolaou es un proceso costoso y demandante, lo que motiva la búsqueda de estrategias de apoyo basadas en inteligencia artificial. En este trabajo se propone un enfoque no supervisado para la identificación de núcleos celulares a partir de embeddings generados por modelos Transformer preentrenados. El método analiza y compara el procesamiento a través de representaciones visuales de BiomedCLIP y UNI con un esquema iterativo de clustering binario para separar progresivamente regiones de interés y detectar automáticamente núcleos con citoplasma. La evaluación sobre un subconjunto del dataset CRIC muestra que ambos modelos son capaces de localizar núcleos relevantes, aunque con patrones distintos: UNI tiende a obtener mayor precisión y F1 promedio, mientras que BiomedCLIP ofrece una cobertura más amplia a costa de un mayor número de falsos positivos. Una revisión cualitativa revela que parte de estos falsos positivos corresponde en realidad a estructuras útiles no anotadas en el dataset, lo que resalta tanto la utilidad práctica del método como la necesidad de métricas adaptadas al contexto de anotación asistida. En conjunto, los resultados evidencian que las representaciones basadas en Transformers constituyen una alternativa prometedora para acelerar la construcción de datasets en citología, reduciendo la carga manual de especialistas y mejorando la eficiencia del proceso de anotación.Fil: Gramática, Martín Nicolás . Universidad Tecnológica Nacional. Facultad Regional Córdoba. Grupo de Investigación en Inteligencia Artificial; Argentina.Fil: García, Mario Alejandro. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Grupo de Investigación en Inteligencia Artificial; Argentina.Fil: Elmoni, Sabrina. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Grupo de Investigación en Inteligencia Artificial; Argentina.Fil: Ledesma, Lisandro. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Grupo de Investigación en Inteligencia Artificial; Argentina.Peer ReviewedUniversidad Tecnológica Nacional Regional Córdoba.2026-09-17T19:27:34Z2025-11-06info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionhttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articulopdfapplication/pdfXIII Congreso Nacional de Ingeniería Informática / Sistemas de Informaciónhttps://hdl.handle.net/20.500.12272/15609spainfo:eu-repo/semantics/openAccessAttribution-NonCommercial-NoDerivs 2.5 Argentinahttp://creativecommons.org/licenses/by-nc-nd/2.5/ar/Gramática, Martín Nicolás; García, Mario Alejandro; Elmoni, Sabrina; Ledesma, Lisandrohttps://creativecommons.org/licenses/by-nc-nd/4.0/reponame:Repositorio Institucional Abierto (UTN)instname:Universidad Tecnológica Nacional2026-09-24T12:43:44Zoai:ria.utn.edu.ar:20.500.12272/15609instacron:UTNInstitucionalhttp://ria.utn.edu.ar/Universidad públicaNo correspondehttp://ria.utn.edu.ar/oaigestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:a2026-09-24 12:43:45.056Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacionalfalse
dc.title.none.fl_str_mv UNI y BiomedCLIP en la detección no supervisada de núcleos celulares en citología de Papanicolaou
title UNI y BiomedCLIP en la detección no supervisada de núcleos celulares en citología de Papanicolaou
spellingShingle UNI y BiomedCLIP en la detección no supervisada de núcleos celulares en citología de Papanicolaou
Gramática, Martín Nicolás
Inteligencia artificial
Aprendizaje automático
Patología digital
title_short UNI y BiomedCLIP en la detección no supervisada de núcleos celulares en citología de Papanicolaou
title_full UNI y BiomedCLIP en la detección no supervisada de núcleos celulares en citología de Papanicolaou
title_fullStr UNI y BiomedCLIP en la detección no supervisada de núcleos celulares en citología de Papanicolaou
title_full_unstemmed UNI y BiomedCLIP en la detección no supervisada de núcleos celulares en citología de Papanicolaou
title_sort UNI y BiomedCLIP en la detección no supervisada de núcleos celulares en citología de Papanicolaou
dc.creator.none.fl_str_mv Gramática, Martín Nicolás
García, Mario Alejandro
Elmoni, Sabrina
Ledesma, Lisandro
author Gramática, Martín Nicolás
author_facet Gramática, Martín Nicolás
García, Mario Alejandro
Elmoni, Sabrina
Ledesma, Lisandro
author_role author
author2 García, Mario Alejandro
Elmoni, Sabrina
Ledesma, Lisandro
author2_role author
author
author
dc.subject.none.fl_str_mv Inteligencia artificial
Aprendizaje automático
Patología digital
topic Inteligencia artificial
Aprendizaje automático
Patología digital
dc.description.none.fl_txt_mv La anotación manual de imágenes citológicas de Papanicolaou es un proceso costoso y demandante, lo que motiva la búsqueda de estrategias de apoyo basadas en inteligencia artificial. En este trabajo se propone un enfoque no supervisado para la identificación de núcleos celulares a partir de embeddings generados por modelos Transformer preentrenados. El método analiza y compara el procesamiento a través de representaciones visuales de BiomedCLIP y UNI con un esquema iterativo de clustering binario para separar progresivamente regiones de interés y detectar automáticamente núcleos con citoplasma. La evaluación sobre un subconjunto del dataset CRIC muestra que ambos modelos son capaces de localizar núcleos relevantes, aunque con patrones distintos: UNI tiende a obtener mayor precisión y F1 promedio, mientras que BiomedCLIP ofrece una cobertura más amplia a costa de un mayor número de falsos positivos. Una revisión cualitativa revela que parte de estos falsos positivos corresponde en realidad a estructuras útiles no anotadas en el dataset, lo que resalta tanto la utilidad práctica del método como la necesidad de métricas adaptadas al contexto de anotación asistida. En conjunto, los resultados evidencian que las representaciones basadas en Transformers constituyen una alternativa prometedora para acelerar la construcción de datasets en citología, reduciendo la carga manual de especialistas y mejorando la eficiencia del proceso de anotación.
Fil: Gramática, Martín Nicolás . Universidad Tecnológica Nacional. Facultad Regional Córdoba. Grupo de Investigación en Inteligencia Artificial; Argentina.
Fil: García, Mario Alejandro. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Grupo de Investigación en Inteligencia Artificial; Argentina.
Fil: Elmoni, Sabrina. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Grupo de Investigación en Inteligencia Artificial; Argentina.
Fil: Ledesma, Lisandro. Universidad Tecnológica Nacional. Facultad Regional Córdoba. Grupo de Investigación en Inteligencia Artificial; Argentina.
Peer Reviewed
description La anotación manual de imágenes citológicas de Papanicolaou es un proceso costoso y demandante, lo que motiva la búsqueda de estrategias de apoyo basadas en inteligencia artificial. En este trabajo se propone un enfoque no supervisado para la identificación de núcleos celulares a partir de embeddings generados por modelos Transformer preentrenados. El método analiza y compara el procesamiento a través de representaciones visuales de BiomedCLIP y UNI con un esquema iterativo de clustering binario para separar progresivamente regiones de interés y detectar automáticamente núcleos con citoplasma. La evaluación sobre un subconjunto del dataset CRIC muestra que ambos modelos son capaces de localizar núcleos relevantes, aunque con patrones distintos: UNI tiende a obtener mayor precisión y F1 promedio, mientras que BiomedCLIP ofrece una cobertura más amplia a costa de un mayor número de falsos positivos. Una revisión cualitativa revela que parte de estos falsos positivos corresponde en realidad a estructuras útiles no anotadas en el dataset, lo que resalta tanto la utilidad práctica del método como la necesidad de métricas adaptadas al contexto de anotación asistida. En conjunto, los resultados evidencian que las representaciones basadas en Transformers constituyen una alternativa prometedora para acelerar la construcción de datasets en citología, reduciendo la carga manual de especialistas y mejorando la eficiencia del proceso de anotación.
publishDate 2025
dc.date.none.fl_str_mv 2025-11-06
2026-09-17T19:27:34Z
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv XIII Congreso Nacional de Ingeniería Informática / Sistemas de Información
https://hdl.handle.net/20.500.12272/15609
identifier_str_mv XIII Congreso Nacional de Ingeniería Informática / Sistemas de Información
url https://hdl.handle.net/20.500.12272/15609
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
Attribution-NonCommercial-NoDerivs 2.5 Argentina
http://creativecommons.org/licenses/by-nc-nd/2.5/ar/
Gramática, Martín Nicolás; García, Mario Alejandro; Elmoni, Sabrina; Ledesma, Lisandro
https://creativecommons.org/licenses/by-nc-nd/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv Attribution-NonCommercial-NoDerivs 2.5 Argentina
http://creativecommons.org/licenses/by-nc-nd/2.5/ar/
Gramática, Martín Nicolás; García, Mario Alejandro; Elmoni, Sabrina; Ledesma, Lisandro
https://creativecommons.org/licenses/by-nc-nd/4.0/
dc.format.none.fl_str_mv pdf
application/pdf
dc.publisher.none.fl_str_mv Universidad Tecnológica Nacional Regional Córdoba.
publisher.none.fl_str_mv Universidad Tecnológica Nacional Regional Córdoba.
dc.source.none.fl_str_mv reponame:Repositorio Institucional Abierto (UTN)
instname:Universidad Tecnológica Nacional
reponame_str Repositorio Institucional Abierto (UTN)
collection Repositorio Institucional Abierto (UTN)
instname_str Universidad Tecnológica Nacional
repository.name.fl_str_mv Repositorio Institucional Abierto (UTN) - Universidad Tecnológica Nacional
repository.mail.fl_str_mv gestionria@rec.utn.edu.ar; fsuarez@rec.utn.edu.ar
_version_ 1877230864453074944
score 13.265058

Publicaciones similares