In[]:=
GridImage[#,ImageSize->{Automatic,100}]&/@
,
Out[]=
Hackathon - Wolfram - Texas Tech - Costa Rica - 2025
Sistema CADex para la detección de cáncer de mama
Hackathon - Wolfram - Texas Tech - Costa Rica - 2025
Sistema CADex para la detección de cáncer de mama
Sistema CADex para la detección de cáncer de mama
“El rojo Wolfram se une al lazo rosa: inteligencia con corazón”
Genius Girls
Zuri Amador Campos, Mariela Chavez Abarca, Genesis Rodríguez Luna
Colegio Cientifico de Costa Rica Sede de Parrita
Genius Girls
Zuri Amador Campos
1
1
1
1
1. Introducción
1. Introducción
El cáncer de mama se origina cuando ciertas células del tejido mamario dejan de responder a los mecanismos naturales que regulan su crecimiento y comienzan a multiplicarse sin control. Esta proliferación anómala puede generar formaciones que, además de ocupar espacio dentro de la mama, tienen la capacidad de extenderse a otros órganos. Aunque puede presentarse en personas de cualquier edad y sexo, se observa con mayor frecuencia en mujeres adultas, especialmente cuando existen alteraciones genéticas hereditarias o factores biológicos que favorecen su aparición. Como en sus primeras fases suele desarrollarse sin síntomas evidentes, su identificación temprana adquiere un papel decisivo en la atención médica.
En el panorama mundial, esta enfermedad representa el principal tipo de cáncer diagnosticado. De acuerdo con estimaciones recientes de la Organización Mundial de la Salud, cada año se registran más de 2.3 millones de casos nuevos. A pesar de la utilidad de los métodos convencionales —entre ellos la mamografía— persisten limitaciones asociadas a la interpretación de las imágenes, particularmente en pacientes con tejido mamario denso o en la presencia de lesiones de difícil detección. El análisis radiológico implica distinguir variaciones mínimas en la estructura interna de la mama, un proceso que requiere experiencia y que puede estar sujeto a errores o a hallazgos inconclusos.
Ante este contexto, el proyecto plantea aprovechar herramientas de inteligencia artificial para apoyar el proceso de diagnóstico. La idea central es entrenar un modelo capaz de diferenciar imágenes mamográficas que muestran signos compatibles con cáncer de aquellas que no presentan indicios de la enfermedad. Para ello se utilizará el lenguaje Wolfram, que permite crear modelos de aprendizaje automático de manera rápida . También se desarrollará una aplicación en la nube que permita a los usuarios cargar imágenes y obtener un resultado predictivo inmediato, con el objetivo de facilitar un análisis preliminar que complemente el trabajo clínico.
Queremos agradecer a los organizadores de este Hackathon, por confiar en estudiantes para el desarrollo de una plataforma tan innovadora con lenguaje Wolfram, como estudiantes valoramos en gran medida que nuestro trabajo sea tomado en cuenta para un cambio que pueda hacer la diferencia en todos aquellos que lo necesiten.
En el panorama mundial, esta enfermedad representa el principal tipo de cáncer diagnosticado. De acuerdo con estimaciones recientes de la Organización Mundial de la Salud, cada año se registran más de 2.3 millones de casos nuevos. A pesar de la utilidad de los métodos convencionales —entre ellos la mamografía— persisten limitaciones asociadas a la interpretación de las imágenes, particularmente en pacientes con tejido mamario denso o en la presencia de lesiones de difícil detección. El análisis radiológico implica distinguir variaciones mínimas en la estructura interna de la mama, un proceso que requiere experiencia y que puede estar sujeto a errores o a hallazgos inconclusos.
Ante este contexto, el proyecto plantea aprovechar herramientas de inteligencia artificial para apoyar el proceso de diagnóstico. La idea central es entrenar un modelo capaz de diferenciar imágenes mamográficas que muestran signos compatibles con cáncer de aquellas que no presentan indicios de la enfermedad. Para ello se utilizará el lenguaje Wolfram, que permite crear modelos de aprendizaje automático de manera rápida . También se desarrollará una aplicación en la nube que permita a los usuarios cargar imágenes y obtener un resultado predictivo inmediato, con el objetivo de facilitar un análisis preliminar que complemente el trabajo clínico.
Queremos agradecer a los organizadores de este Hackathon, por confiar en estudiantes para el desarrollo de una plataforma tan innovadora con lenguaje Wolfram, como estudiantes valoramos en gran medida que nuestro trabajo sea tomado en cuenta para un cambio que pueda hacer la diferencia en todos aquellos que lo necesiten.
2. ¿Cómo podría ayudar esta herramienta a una clínica en el interior de Costa Rica?
2. ¿Cómo podría ayudar esta herramienta a una clínica en el interior de Costa Rica?
La implementación de una herramienta automatizada para analizar mamografías podría representar un apoyo significativo para las clínicas ubicadas en zonas rurales o de menor acceso en Costa Rica. En muchas de estas regiones, la disponibilidad de especialistas en radiología es reducida y, en ocasiones, los centros médicos deben enviar estudios a hospitales más grandes, lo cual retrasa el diagnóstico y genera cargas adicionales para los pacientes.
Un sistema basado en inteligencia artificial permitiría realizar un primer análisis inmediato de la imagen mamográfica en el mismo centro de salud donde se tomó el estudio. Aunque no sustituye al criterio médico, sí podría señalar hallazgos sospechosos, priorizar casos que requieren atención especializada y reducir el tiempo entre la prueba y su interpretación final. Esto ayudaría a que los casos potencialmente graves sean atendidos con mayor rapidez.
Además, esta herramienta contribuiría a estandarizar la calidad del análisis, disminuyendo la variabilidad observada cuando las imágenes son evaluadas por personal con distinto nivel de experiencia. En zonas donde los recursos humanos son escasos, ofrecería una segunda opinión automatizada que ayude a reforzar el proceso de toma de decisiones clínicas. Otro beneficio sería la posibilidad de descongestionar los hospitales más grandes, ya que las clínicas podrían enviar solo los estudios que realmente lo ameriten, de acuerdo con la clasificación preliminar del sistema. Esto optimiza tanto el tiempo de los especialistas como los recursos del sistema de salud.
Finalmente, al funcionar desde una interfaz en la nube, la herramienta permitiría que incluso clínicas con equipamiento limitado puedan acceder a apoyo tecnológico avanzado sin necesidad de infraestructura costosa, siempre que cuenten con acceso a Internet. Esto fomenta la equidad en el acceso a servicios diagnósticos y fortalece la capacidad de respuesta ante enfermedades de alta prevalencia como el cáncer de mama.
Un sistema basado en inteligencia artificial permitiría realizar un primer análisis inmediato de la imagen mamográfica en el mismo centro de salud donde se tomó el estudio. Aunque no sustituye al criterio médico, sí podría señalar hallazgos sospechosos, priorizar casos que requieren atención especializada y reducir el tiempo entre la prueba y su interpretación final. Esto ayudaría a que los casos potencialmente graves sean atendidos con mayor rapidez.
Además, esta herramienta contribuiría a estandarizar la calidad del análisis, disminuyendo la variabilidad observada cuando las imágenes son evaluadas por personal con distinto nivel de experiencia. En zonas donde los recursos humanos son escasos, ofrecería una segunda opinión automatizada que ayude a reforzar el proceso de toma de decisiones clínicas. Otro beneficio sería la posibilidad de descongestionar los hospitales más grandes, ya que las clínicas podrían enviar solo los estudios que realmente lo ameriten, de acuerdo con la clasificación preliminar del sistema. Esto optimiza tanto el tiempo de los especialistas como los recursos del sistema de salud.
Finalmente, al funcionar desde una interfaz en la nube, la herramienta permitiría que incluso clínicas con equipamiento limitado puedan acceder a apoyo tecnológico avanzado sin necesidad de infraestructura costosa, siempre que cuenten con acceso a Internet. Esto fomenta la equidad en el acceso a servicios diagnósticos y fortalece la capacidad de respuesta ante enfermedades de alta prevalencia como el cáncer de mama.
3. Primer reto: “Instala los conjuntos de datos y busca los archivos”.
3. Primer reto: “Instala los conjuntos de datos y busca los archivos”.
3.1. Organización de los datos en la misma carpeta
3.1. Organización de los datos en la misma carpeta
Como primer paso para la plataforma es cargar los datos en la misma carpeta para evitar cualquier inconveniente a la hora de cargar los archivos por estar en diferentes espacios. Y ademas con esto acelerar procesos, en la busqueda de los archivos.
In[]:=
SetDirectory[NotebookDirectory[]]
Out[]=
C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM
In[]:=
ParentDirectory["C:\\Users\\gerod\\OneDrive\\Desktop\\Imagenes WOLFRAM"]
Out[]=
C:\Users\gerod\OneDrive\Desktop
In[]:=
Directory[]
Out[]=
C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM
3.2. Descomprimir y nombrar la carpeta
3.2. Descomprimir y nombrar la carpeta
Antes de extraer el archivo “IBCD.zip” a la carpeta de trabajo, cambiamos su nombre de “archivo” a “IBCD”. Tuvimos que descomprimir cada una de las carpetas, para ejecutar el trabajo de forma correcta.
In[]:=
bcidImagesFolder=Directory[]<>"\IBCD"
Out[]=
C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\IBCD
In[]:=
bcidImages=FileNames["*jpg",bcidImagesFolder,Infinity]
Out[]=
Sin lo anterior el código no carga las imágenes y su salida es “{ }”, dado que no encuentra los archivos. Por eso esto es muy importante de llevar acabo para evitar cualquier tipo de problema.
Ahora se carga la organización de los datos para las imágenes de Cancer y No Cancer, para cada una de ellas se da una extensión.
Ahora se carga la organización de los datos para las imágenes de Cancer y No Cancer, para cada una de ellas se da una extensión.
In[]:=
examNoCancer="C:\\Users\\gerod\\OneDrive\\Desktop\\Imagenes WOLFRAM\\Mammogram Mastery\\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\\Breast Cancer Dataset\\Original Dataset\\Non-Cancer";examCancer="C:\\Users\\gerod\\OneDrive\\Desktop\\Imagenes WOLFRAM\\Mammogram Mastery\\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\\Breast Cancer Dataset\\Original Dataset\\Cancer";
3.3. Revisar el dataset de imágenes
3.3. Revisar el dataset de imágenes
Para revisar que este funcionando se lleva un conteo de las imágenes que se toman de la carpeta por parte del sistema, esto es una forma de evitar errores corriendo el sistema y que luego este no funcione. En este paso también se les da la especificación de extensión al lenguaje, por que esta puede variar en varios tipos de archivo, y con esto se hace mas preciso y evita los bucles en busqueda de archivos.
In[]:=
examImagesNoCancer=FileNames["*jpg",examNoCancer,Infinity];examImagesCancer=FileNames["*jpg",examCancer,Infinity];
In[]:=
Length[examImagesNoCancer]Length[examImagesCancer]
Out[]=
620
Out[]=
125
Tenemos para esto que saber la cantidad de imágenes de cada carpeta, para evitar el que haya mas de la cuenta o menos de las disponibles. Por que así evitamos problemas al cargar luego el sistema.
3.4. Manipulación de las imágenes de los Datasets
3.4. Manipulación de las imágenes de los Datasets
En esta parte, lo que hicimos es una plantilla interactiva para cambiar de una imagen a otra con una “palanca”, de tal forma que se puedan presenciar los elementos presentes en cada carpeta a utilizar, en el sistema. Esto primero se llevo acabo con imágenes de ambos casos, es decir la “mezcla de casos”, y con imágenes de mamografias con y sin cáncer.
In[]:=
Manipulate[Column[{n,bcidImages[[n]],Image[Import[bcidImages[[n]]],ImageSize->Small]}],{n,1,Length[bcidImages],1},SaveDefinitions->True]
Out[]=
In[]:=
Manipulate[Column[{n,examImagesNoCancer[[n]],Image[Import[examImagesNoCancer[[n]]],ImageSize->Small]}],{n,1,Length[examImagesNoCancer],1},SaveDefinitions->True]
Out[]=
In[]:=
Manipulate[Column[{n,examImagesCancer[[n]],Image[Import[examImagesCancer[[n]]],ImageSize->Small]}],{n,1,Length[examImagesCancer],1},SaveDefinitions->True]
Out[]=
El “AI ML Classify” puede tardar tiempo en realizar los cálculos y utiliza la memoria del ordenador, por lo que se recomienda cerrar todas las aplicaciones y dejar solo Mathematica abierto, para evitar que se pegue la plataforma. Primero se unieron cinco imágenes, y luego veinte de forma aleatoria, de imágenes con cáncer.
In[]:=
RandomSample[examImagesCancer,5]Information[Import[First[%]]]
Out[]=
{C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (32).jpg,C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (17).jpg,C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (102).jpg,C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (6).jpg,C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (74).jpg}
Out[]=
In[]:=
RandomSample[examImagesCancer,20]
Out[]=
{C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (49).jpg,C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (116).jpg,C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (101).jpg,C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (82).jpg,C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (72).jpg,C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (88).jpg,C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (77).jpg,C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (87).jpg,C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (19).jpg,C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (2).jpg,C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (56).jpg,C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (14).jpg,C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (121).jpg,C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (99).jpg,C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (54).jpg,C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (119).jpg,C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (1).jpg,C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (41).jpg,C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (96).jpg,C:\Users\gerod\OneDrive\Desktop\Imagenes WOLFRAM\Mammogram Mastery\Mammogram Mastery A Robust Dataset for Breast Cancer Detection and Medical Education\Breast Cancer Dataset\Original Dataset\Cancer\IMG (42).jpg}
4. Segundo reto: Corrección del código y juntar los datos a la IA
4. Segundo reto: Corrección del código y juntar los datos a la IA
Para esta parte puedes pedir el numero de imágenes para cáncer y no cáncer que se deseen, la carpeta de imágenes con cáncer solo posee 125 imágenes, para que sea el numero máximo de tal forma que ningún dato se pase por alto y el sistema sea mas preciso, se nombraron el conjunto de imágenes para cada caso de tal forma que sea fácil de manipular, también este código permite cambiar la escala de colores a grises, y toma imágenes aleatorias menos en las de cáncer que se toman el total, pero en las de no, si son aleatorias.
Igual que la vez anterior, comprobamos si las imágenes fueron calculadas de forma correcta por el sistema; para evitar problemas en el código, y evitar la perdida de eficacia en el sistema.
5. Tercer reto: Comparar los clasificadores de Machine Learning
5. Tercer reto: Comparar los clasificadores de Machine Learning
Con el lenguaje Wolfram y la IA de alta calidad que posee, se pueden determinar los casos de cancer con distintos método de clasificación, que poseemos que puede ser en este caso “LogisticRegression”, “GradientBoostedTrees”, y “NeutralNetwork”.
Luego de tomar cada uno de los métodos de clasificación, podemos visualizar el nivel de la información presente del “cancerClassify”.
Luego se dio a guardar los datos de estos métodos en la nube.
Para verificar que el “IA ML Classifier” funcione se le da una imagen que no sea parte de la base de datos para que la clasifique, del sitio web: https://www.mdpi.com/2313-433X/9/5/95.
Para verificar que el “IA ML Classifier” funcione se le da una imagen que no sea parte de la base de datos para que la clasifique, del sitio web: https://www.mdpi.com/2313-433X/9/5/95.
Aquí nosotras como equipo pudimos obtener más detalles estadísticos sobre los modelos que decidimos utilizar. Y observarlo en un grafico.
El micro-sitio es un concepto integral. En nuestro contexto, un micro-sitio es una interfaz gráfica de usuario web para implementar en línea solo una función del sistema. El trabajo detrás de escena puede ser sofisticado, como el cálculo de imágenes de exámenes con IA y ML utilizando servidores Wolfram Cloud. Pero esto hace que se mantenga la interfaz gráfica de usuario amigable, fácil de usar y con una estructura de informes visualmente atractiva como resultado del cálculo.
6. Cuarto reto: Utilizar una interfaz gráfica para el sistema en la nube
6. Cuarto reto: Utilizar una interfaz gráfica para el sistema en la nube
El lugar es súper simple de utilizar en el sitio web, y eso muestra el nivel de eficacia de Wolfram, que no necesita un sistema y un código súper complejo para funcionar de forma correcta. Y este es el codigo,
6. Wolfram y su lenguaje de programación
6. Wolfram y su lenguaje de programación
Sugerencia (Cálculo de cadenas):
Sugerencia (Módulos para organizar mejor el código y crear funciones) :
La sintaxis del módulo es similar a la de una función, ya que mantiene las variables localmente en el ámbito del bloque de código, en lugar de mantener variables globales. Resulta conveniente publicar funciones en la nube, ocultando la complejidad y el cálculo en una especie de función:
Sugerencia (Versión de diseño básico, interfaz gráfica de usuario más fácil de usar. Hay funciones para calcular imágenes, fueron usadas para preparar las imágenes por adelantado para la interfaz gráfica de usuario de nuestro cuaderno):
7. Retos durante la elaboración
7. Retos durante la elaboración
Nuestro equipo enfrentó numerosos desafíos durante el desarrollo del reto, muchos de ellos completamente inesperados y fuera de nuestro control. Desde el inicio, tuvimos problemas constantes con las computadoras que utilizábamos: el WiFi fallaba repetidamente, lo que interrumpía descargas, cargas de datos y la sincronización del trabajo. En varias ocasiones, la plataforma se cerraba de manera repentina y perdíamos el progreso y almacenamiento que ya habíamos construido, obligándonos a rehacer pasos completos de preprocesamiento y configuración.
También experimentamos inconsistencias entre equipos: algunos archivos se guardaban en formatos distintos y otros simplemente desaparecían tras los cierres inesperados, generando desajustes al intentar colaborar de forma coordinada. Incluso cuando logramos estabilizar parte del flujo de trabajo, el modelo base presentó errores silenciosos, predicciones incompletas y salidas incompatibles con módulos posteriores, lo que nos llevó a diseñar soluciones rápidas para mantener la funcionalidad mínima del prototipo.
A pesar de todos estos contratiempos, el equipo se mantuvo enfocado. La necesidad de trabajar bajo presión, resolver fallos de la plataforma y adaptarnos a condiciones cambiantes fortaleció nuestra organización, nuestra capacidad de resiliencia y nuestro pensamiento crítico. Aunque las complicaciones fueron numerosas, logramos completar el reto y presentar un prototipo funcional gracias al esfuerzo conjunto y la determinación del equipo.
También experimentamos inconsistencias entre equipos: algunos archivos se guardaban en formatos distintos y otros simplemente desaparecían tras los cierres inesperados, generando desajustes al intentar colaborar de forma coordinada. Incluso cuando logramos estabilizar parte del flujo de trabajo, el modelo base presentó errores silenciosos, predicciones incompletas y salidas incompatibles con módulos posteriores, lo que nos llevó a diseñar soluciones rápidas para mantener la funcionalidad mínima del prototipo.
A pesar de todos estos contratiempos, el equipo se mantuvo enfocado. La necesidad de trabajar bajo presión, resolver fallos de la plataforma y adaptarnos a condiciones cambiantes fortaleció nuestra organización, nuestra capacidad de resiliencia y nuestro pensamiento crítico. Aunque las complicaciones fueron numerosas, logramos completar el reto y presentar un prototipo funcional gracias al esfuerzo conjunto y la determinación del equipo.
8. Reseña como grupo
8. Reseña como grupo
“Como equipo sentimos que el Hackaton 2025 fue una oportunidad para aprender y para acercarnos un poco más al uso de la tecnología en proyectos que realmente pueden ayudar a otras personas, especialmente porque el reto estaba relacionado con la detección del cáncer de mama. El ambiente del evento nos pareció organizado y agradable, y compartir la misma aula con los demás equipos hizo que se sintiera un poco más dinámico. Las clases virtuales de Wolfram antes del día del Hackaton también marcaron la diferencia, porque nos dieron seguridad y ayudaron a que el trabajo fluyera mejor.
Algo que valoramos bastante fue la atención que recibimos durante toda la actividad. Siempre estuvieron pendientes de apoyarnos cuando lo necesitábamos, y el hecho de que cuidaran detalles como la alimentación, la hidratación y la comodidad hizo que la experiencia fuera más llevadera. En general, sentimos que fue una actividad que nos permitió aprender, retarnos y vivir algo diferente, y por eso la recordamos de manera positiva.”
Genius Girls
Zuri, Mariela, Genesis
Algo que valoramos bastante fue la atención que recibimos durante toda la actividad. Siempre estuvieron pendientes de apoyarnos cuando lo necesitábamos, y el hecho de que cuidaran detalles como la alimentación, la hidratación y la comodidad hizo que la experiencia fuera más llevadera. En general, sentimos que fue una actividad que nos permitió aprender, retarnos y vivir algo diferente, y por eso la recordamos de manera positiva.”
Genius Girls
Zuri, Mariela, Genesis
Este proyecto es importante porque, a gran escala, podría implementarse en hospitales para agilizar la revisión inicial de mamografías que presenten posibles indicios de cáncer. No significa que una máquina vaya a generar diagnósticos por sí sola ni que las mamografías aparezcan "de la nada"; siempre dependen del estudio clínico que realiza un especialista . Sin embargo, como herramienta de apoyo para un oncólogo o radiólogo, el modelo puede fortalecer significativamente su diagnóstico.
Además, al utilizarse dentro de un entorno hospitalario con grandes cantidades de imágenes, el sistema no solo ayuda al médico, sino que aprende de cada nueva mamografía revisada . De esta manera, cada especialista que lo usa aporta a su mejora continua, beneficiándose a sí mismo y, al mismo tiempo, contribuyendo al diagnóstico más preciso de cientos de mujeres atendidas por otros doctores. Esta plataforma es anónima, es decir no es necesario el poner el nombre de la persona, por si no se siente cómoda y evitar cualquier tipo de discriminación, ya que cada información es única y debe tener derechos de censura ante otras personas si así se desea.
Además, al utilizarse dentro de un entorno hospitalario con grandes cantidades de imágenes, el sistema no solo ayuda al médico, sino que aprende de cada nueva mamografía revisada . De esta manera, cada especialista que lo usa aporta a su mejora continua, beneficiándose a sí mismo y, al mismo tiempo, contribuyendo al diagnóstico más preciso de cientos de mujeres atendidas por otros doctores. Esta plataforma es anónima, es decir no es necesario el poner el nombre de la persona, por si no se siente cómoda y evitar cualquier tipo de discriminación, ya que cada información es única y debe tener derechos de censura ante otras personas si así se desea.
9. Referencias
9. Referencias
◼
An Elementary Introduction to the Wolfram Language by Stephen Wolfram
https://www.wolfram.com/language/elementary-introduction/3rd-ed/
https://www.wolfram.com/language/elementary-introduction/3rd-ed/
◼
◼
Global Cancer Observatory
https://gco.iarc.who.int/media/globocan/factsheets/populations/188-costa-rica-fact-sheet.pdf
https://gco.iarc.who.int/media/globocan/factsheets/populations/188-costa-rica-fact-sheet.pdf
◼
Cancer de mama (World Health Organization)
https://www.who.int/es/news-room/fact-sheets/detail/breast-cancer
https://www.who.int/es/news-room/fact-sheets/detail/breast-cancer