Aprendizaje profundo para la detección temprana de carcinoma ductal invasivo en imágenes histopatológicas: enfoque de...

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.