Aprendizaje profundo para la detección temprana de carcinoma ductal invasivo en imágenes histopatológicas: enfoque de red neuronal convolucional con aprendizaje de transferencia | JoVE Visualize

Área de la Ciencia:

Imágenes médicas
Inteligencia artificial
Patología computacional

Sus antecedentes:

El carcinoma ductal invasivo (CDI) es el subtipo de cáncer de mama más común, que contribuye a una mortalidad global significativa.
La detección temprana del IDC es crucial para mejorar los resultados de los pacientes y las tasas de supervivencia.
El examen histopatológico manual consume mucho tiempo, es subjetivo y propenso a errores, por lo que requiere soluciones automatizadas.

Objetivo del estudio:

Desarrollar y validar un modelo de red neuronal convolucional (CNN) para la detección automatizada de IDC en imágenes histopatológicas.
Evaluar el rendimiento del modelo CNN frente a los métodos de diagnóstico tradicionales para el diagnóstico temprano del cáncer de mama.
Proporcionar una aplicación de código abierto de esta herramienta de IA para los profesionales, especialmente en las regiones subdesarrolladas.

Principales métodos:

Utilizó un conjunto de datos de 277.524 imágenes histopatológicas públicas, siendo la mayoría positivas para IDC.
Se abordó el desequilibrio de clase utilizando una función de pérdida ponderada y se empleó el aprendizaje de transferencia con una arquitectura de Grupo de Geometría Visual (VGG) previamente entrenada.
Las imágenes preprocesadas y normalizadas, el aumento de datos aplicado y la división de los datos en 80% de formación y 20% de ensayos.

Principales resultados:

El modelo base CNN logró una precisión del 89%, sin embargo, una función de pérdida ponderada redujo ligeramente la precisión al 86%.
El aumento de datos no produjo mejoras en el rendimiento.
El aprendizaje de transferencia con un modelo preentrenado manejó efectivamente el desequilibrio de clase, lo que resultó en una precisión del 90% en el conjunto de pruebas.

Conclusiones:

El modelo basado en CNN desarrollado demuestra precisión y fiabilidad para la detección temprana de CID a partir de imágenes histopatológicas.
Esta herramienta de IA puede servir como un asistente eficiente para los patólogos, ayudando en el diagnóstico temprano del cáncer de mama y mejorando los resultados clínicos.
La investigación adicional se centrará en refinar el rendimiento del modelo e integrarlo con otras técnicas de diagnóstico para mejorar la utilidad clínica.