El cáncer de mama sigue siendo una de las principales causas de mortalidad oncológica en mujeres a nivel global, y la mamografía continúa como herramienta de cribado fundamental. En los últimos años, los modelos de aprendizaje profundo han demostrado alta precisión en la segmentación de lesiones, pero su elevado coste computacional limita su adopción en entornos con recursos restringidos, como clínicas rurales o dispositivos portátiles. Esta realidad impulsa la exploración de arquitecturas ligeras que puedan ejecutarse eficientemente sin sacrificar capacidad diagnóstica. Un estudio reciente compara varias redes ligeras — MobileNetV2, EfficientNet Lite, ENet y Fast-SCNN— frente a la referencia U-Net, utilizando el conjunto INbreast con validación cruzada de cinco particiones y evaluando métricas como Dice, IoU y Recall, además del número de parámetros. Los resultados muestran que MobileNetV2 con módulos Squeeze-and-Excitation alcanza un Dice de 0,5766 con aproximadamente un 75% menos de parámetros que U-Net, evidenciando un equilibrio práctico entre rendimiento y eficiencia. Sin embargo, al probar el modelo en un conjunto externo (DMID) se observa una caída en precisión por cambio de dominio, aunque el Recall se mantiene, lo que sugiere robustez en la detección. Este tipo de análisis cobra especial relevancia para el desarrollo de sistemas de diagnóstico asistido (CAD) desplegables en infraestructuras modestas. En este contexto, la experiencia en ia para empresas permite diseñar modelos compactos y adaptables a hardware limitado, integrando técnicas de optimización como cuantización y poda. Además, la posibilidad de alojar estos sistemas en plataformas elásticas mediante servicios cloud aws y azure facilita escalar según demanda y garantizar disponibilidad, mientras que la protección de datos sanitarios requiere ciberseguridad específica. La implementación de estas soluciones como aplicaciones a medida permite adaptar los flujos de trabajo clínicos, y el uso de servicios inteligencia de negocio como power bi aporta cuadros de mando para monitorizar el desempeño de los modelos. Incluso los agentes IA pueden automatizar tareas de preprocesamiento y reporte, liberando tiempo al especialista. En definitiva, la combinación de modelos ligeros con software a medida y estrategias cloud sienta las bases para una inteligencia artificial más accesible en radiología, donde cada parámetro cuenta y cada mejora en eficiencia se traduce en vidas impactadas.