🧠 Día Mundial de la Investigación en Cáncer: Detección de Tumores Cerebrales con IA y Dataset Real de Kaggle

Cada 24 de septiembre se celebra el Día Mundial de la Investigación en Cáncer. Frente a la concienciación pasiva, los discursos o los gestos simbólicos, en el aula apostamos por la acción directa y la Ciencia Ciudadana. La mejor forma de perder el miedo a una enfermedad es entenderla, enfrentarse a ella con el rigor de los datos y enseñar al alumnado cómo la tecnología y la Inteligencia Artificial están revolucionando la medicina moderna.

En esta actividad práctica paso a paso, descargamos un conjunto real de resonancias magnéticas de cerebro (Brain Tumor Detection de Kaggle), organizamos las imágenes, entrenamos un modelo de visión artificial sin escribir una sola línea de código y analizamos los límites éticos del diagnóstico asistido por ordenador.

Plaintext

 ┌─────────────────────────────────────────────────────────────────────────────┐
 │               FLUJO DE TRABAJO: DETECCIÓN DE TUMORES CON IA                 │
 │                                                                             │
 │ ┌──────────────────┐   Descarga   ┌──────────────────┐   División Muestral  │
 │ │ Dataset Kaggle   ├─────────────>│ Descompresión    ├────────────────────┐ │
 │ │ (Resonancias MRI)│              │ y Estructura     │                    │ │
 │ └──────────────────┘              └──────────────────┘                    │ │
 │                                                                           │ │
 │ ┌──────────────────┐   Predicción ┌──────────────────┐   Carga Muestras   │ │
 │ │ Evaluación Ética │<─────────────┤ Modelo IA        │<───────────────────┘ │
 │ │ (Falsos Pos/Neg) │  Precision % │ (LearningML/TM)   │  (50 Yes / 50 No)    │
 │ └──────────────────┘              └──────────────────┘                      │
 └─────────────────────────────────────────────────────────────────────────────┘

🔗 Recursos y Enlaces Necesarios

• Dataset de Resonancias Magnéticas:Kaggle – Brain Tumor Detection Dataset (~88 MB).
• Plataforma de Entrenamiento IA:LearningML o Teachable Machine.

📋 Guía Paso a Paso para el Alumnado

Paso 1: Descarga y Preparación de los Datos

1. Accede al enlace de Kaggle y descarga el archivo comprimido del dataset (brain-tumor-detection.zip).
2. Descomprime el archivo en tu ordenador.
3. Observa cómo está organizado el repositorio: encontrarás carpetas con imágenes de resonancias magnéticas etiquetadas con la presencia (“Yes”) o ausencia (“No”) de masa tumoral.

Paso 2: Organización del Dataset en Carpetas (Muestreo)

Para entrenar a una Inteligencia Artificial no necesitamos saturarla con miles de fotos en una primera prueba; basta con un subconjunto bien balanceado. En el escritorio de tu equipo, crea la siguiente estructura de carpetas:

Plaintext

📁 Tumor_Cerebro/
   ├── 📁 Entrenamiento/
   │      ├── 📁 Si (50 imágenes con tumor)
   │      └── 📁 No (50 imágenes sin tumor)
   └── 📁 Prueba_Ciega/
          ├── 📁 Si (10 imágenes no usadas en entrenamiento)
          └── 📁 No (10 imágenes no usadas en entrenamiento)

Nota pedagógica: Asegúrate de que las imágenes elegidas para la carpeta de Prueba sean totalmente distintas a las utilizadas en la carpeta de Entrenamiento. Si el modelo ve las mismas fotos, se memorizará el examen en lugar de aprender a detectar patrones.

Paso 3: Carga de Imágenes y Entrenamiento del Modelo

1. Abre tu herramienta de IA (ej. LearningML en modo avanzado o Teachable Machine).
2. Crea dos clases de imágenes dentro del proyecto:
   • Clase 1: Nómbrala Sí (o Tumor).
   • Clase 2: Nómbrala No (o Sano).
3. Carga las 50 imágenes correspondientes en la clase Sí y las 50 imágenes en la clase No.
4. Haz clic en el botón “Aprender” o “Entrenar Modelo”. El algoritmo analizará los píxeles, densidades y bordes de las resonancias magnéticas para encontrar las diferencias clave entre un cerebro sano y uno con patología.

Paso 4: Evaluación a Ciegas (Test de Precisión)

Una vez finalizado el entrenamiento, es hora de poner a prueba la Inteligencia Artificial con imágenes que jamás ha visto:

1. Ve al panel de predicción/prueba de la herramienta.
2. Sube una a una las imágenes guardadas en la carpeta Prueba_Ciega.
3. Observa el porcentaje de confianza que devuelve la máquina (ej. 98% Sí, 99% No).

⚕️ Debate Ético en el Aula: Falsos Positivos y Falsos Negativos

Este experimento sirve para reflexionar sobre el papel de la tecnología en la medicina real:

Aunque nuestro modelo alcance una precisión superior al 98% con solo 100 imágenes, debemos analizar los riesgos de un diagnóstico automatizado:

• Falso Negativo (El error más grave): Ocurre cuando el ordenador dice que el paciente está sano (“No”), pero en realidad tiene un tumor. Consecuencia: El paciente no recibe tratamiento a tiempo y la enfermedad avanza.
• Falso Positivo: Ocurre cuando el ordenador dice que hay un tumor (“Sí”), pero la persona está totalmente sana. Consecuencia: Genera pánico psicológico injustificado en la familia y somete al paciente a pruebas invasivas innecesarias.

La Inteligencia Artificial médica debe usarse como un sistema de triaje o segunda opinión para el personal facultativo, agilizando la revisión de miles de radiografías, pero dejando siempre la decisión final en manos humanas.

🎓 Vinculación Curricular (1º ESO a 2º Bachillerato)

• Asignaturas: Computación y Robótica / Cultura Digital y Pensamiento Computacional / Programación y Computación.
• Saberes Básicos:
  • Tratamiento de Datos y Archivos: Descarga, descompresión y organización lógica de directorios.
  • Fundamentos de Aprendizaje Automático (Machine Learning): Conjuntos de datos de entrenamiento (Train) vs. validación (Test), sesgos en la muestra y sobreajuste (Overfitting).
  • Competencia Digital y Ciudadanía Ética: Impacto de la tecnología en la salud, análisis crítico de los resultados y responsabilidad en el uso de la IA.