Simulador de infiltración lumbar y segmentación de páncreas con IA, premiados en el IV CINVIE 2026
Valentinna Montoya (1.er lugar pregrado) y Elizabeth Pellegrini (2.º lugar postgrado), ambas de la Universidad de Valparaíso (UV) e integrantes de iHEALTH, fueron reconocidas en el Concurso de Trabajos de Estudiantes del congreso organizado por la Facultad de Ingeniería UV.
Dos proyectos que llevan la ingeniería y la inteligencia artificial al servicio de la salud destacaron en el Concurso de Trabajos de Estudiantes del Cuarto Congreso Internacional de Investigación Interdisciplinaria e Ingeniería (CINVIE 2026). El encuentro fue organizado por la Facultad de Ingeniería de la Universidad de Valparaíso, en el marco del Proyecto Ingeniería 2030.
CINVIE reúne resultados de investigación, desarrollos tecnológicos y experiencias interdisciplinarias vinculadas a los desafíos de la ingeniería, la innovación y el desarrollo sostenible. En la categoría pregrado, el primer lugar fue para Valentinna Montoya con el trabajo Desarrollo de un simulador de infiltración lumbar para el entrenamiento en procedimientos mínimamente invasivos guiados por ecografía. Se trata de un fantoma —un modelo anatómico de práctica— que busca fortalecer la formación de futuros médicos, “llevando la experiencia del pabellón a la seguridad del aula”, explica.
La infiltración lumbar ecoguiada consiste en introducir una aguja para administrar un medicamento en una estructura específica de la zona lumbar, con apoyo de imágenes de ultrasonido. “Es difícil de aprender” como detalla Valentinna porque exige coordinar varias tareas a la vez: reconocer la anatomía en pantalla, mantener una buena imagen con el transductor y controlar la dirección y profundidad de la aguja, interpretando una imagen bidimensional para orientarse en un cuerpo tridimensional.
Además, “solo se practica directamente con pacientes, ambiente no propicio para aprender”. Los fantomas existentes más cercanos son de punción lumbar y solo permiten practicar la sensación táctil. El simulador desarrollado, en cambio, incorpora electrónica, entrega retroalimentación en tiempo real sobre el objetivo anatómico alcanzado y próximamente sumará integración ecográfica.
La idea surgió de una necesidad concreta: el personal médico del Hospital Carlos Van Buren contactó al profesor guía del equipo, preocupado por la falta de opciones de entrenamiento accesibles para las nuevas generaciones. Entre los principales desafíos estuvieron aprender a usar software de segmentación para obtener un modelo anatómico confiable e instrumentar la aguja para que funcionara sin cables. El equipo además se adjudicó el fondo de prototipado de Ingeniería 2030.
“Obtener el reconocimiento al primer lugar fue una gran satisfacción, porque representa el esfuerzo que hay detrás de cada prueba, cada ajuste y cada dificultad que tuvimos que resolver”, comenta. Los próximos pasos incluyen desarrollar un material de relleno que permita obtener ecografías fieles de la región lumbar, realizar pruebas con usuarios para medir el impacto en el aprendizaje e incorporar un módulo de realidad aumentada. La meta es que el simulador llegue a universidades y hospitales, respaldado por evidencia.
Enseñarle a un computador a delinear el páncreas
En postgrado, Elizabeth Pellegrini obtuvo el segundo lugar con Segmentación automática de páncreas con redes de aprendizaje profundo: estudio comparativo entre Attention U-Net, UNETR y Swin UNETR. Esta técnica consiste en que un computador identifique con precisión qué partes de una imagen médica corresponden al órgano. Esto reduce de minutos u horas a segundos el tiempo de análisis y elimina la variabilidad entre distintos operadores.
El páncreas es especialmente difícil de segmentar: ocupa menos del 0,5% del volumen abdominal, tiene bordes difusos y de bajo contraste, y su forma y posición varían mucho entre personas. Además, está rodeado de vasos sanguíneos críticos.
Evaluar si un cáncer de páncreas puede operarse depende de conocer la relación entre el tumor y los vasos cercanos. “En el contexto latinoamericano esto es especialmente relevante, dado que el cáncer pancreático se diagnostica mayoritariamente en etapas avanzadas”, explica Elizabeth.
El trabajo comparó tres arquitecturas que representan distintas formas de “atención” en aprendizaje profundo: local (Attention U-Net), global (UNETR) y jerárquica por ventanas (Swin UNETR). Attention U-Net tuvo el mejor desempeño, con la mitad de los casos sobre 85% de coincidencia con la delineación hecha por un experto. Swin UNETR quedó muy cerca, mientras que UNETR no superó ese umbral en ningún caso. Según Elizabeth, este resultado refleja una mejor adaptación a los datos disponibles más que una superioridad intrínseca, algo clave en un contexto de bases de datos escasas.
Uno de los hallazgos más llamativos fue que el umbral de decisión estándar del 50%, usado por defecto en la mayoría de los estudios, quedó fuera de la zona de operación estable de UNETR. Por eso, recomienda calibrar ese umbral para cada modelo e institución antes de cualquier uso clínico.
“Este premio refleja el trabajo colectivo de un equipo interdisciplinario que reunió ingenieros, físicos, bioquímicos y médicos de distintas instituciones”, destaca. El logro es compartido con iHEALTH, MEDING, la Universidad de Valparaíso, la Pontificia Universidad Católica de Chile y médicos del Hospital Gustavo Fricke: Sebastián Ibarra, Nicole Roldán, Leonel Muñoz, Juan-Pablo Laguna, Paola Caprile, Cecilia Besa, Steren Chabert y Rodrigo Salas.
La investigación avanzará hacia la segmentación de tumores pancreáticos y el trabajo con IA multimodal en cohortes chilenas de la Región de Valparaíso. Para que estas herramientas lleguen a los hospitales del país, Elizabeth identifica desafíos como contar con datos locales anotados, validación clínica, infraestructura computacional y un marco regulatorio para software médico basado en IA. Con colaboración interdisciplinaria, estima un horizonte de 5 a 10 años para pilotos en centros de referencia.
Ganadores del Concurso de Trabajos de Estudiantes CINVIE 2026
Pregrado
1. Valentinna Montoya (Universidad de Valparaíso): Desarrollo de un simulador de infiltración lumbar para el entrenamiento en procedimientos mínimamente invasivos guiados por ecografía
2. Stephano Almendra (Universidad de Valparaíso): Reconocimiento continuo de lengua de señas a partir de YouTube-ASL mediante segmentación temporal y supervisión lingüística T5
3. María Fernanda Castro (Universidad Autónoma de Chile): Interacción entre viscoelasticidad y geometría lobulada en flujo anular con núcleo móvil: implicancias para procesos de wire coating
Postgrado
1. Sebastián Jiménez-Zúñiga (Universidad de Valparaíso): Fronto-midline theta preservation when removing simulated masticatory contamination from movement-cleaned single-leg-stance EEG: a semi-simulation upper-bound estimate
2. Elizabeth Pellegrini (Universidad de Valparaíso): Segmentación automática de páncreas con redes de aprendizaje profundo: estudio comparativo entre Attention U-Net, UNETR y Swin UNETR
3. Pablo Olivares (Universidad de Valparaíso): Un marco holístico de madurez de producto para software: evaluación multiagente, fusión sensible al conflicto y agregación ordinal
