Clasificación de múltiples clases de subtipos de cáncer de mama utilizando arquitecturas ResNet en imágenes...

Área de la Ciencia:

• En el campo de la oncología
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• El diagnóstico del cáncer de mama se basa en la histopatología, que es subjetiva y requiere mucho tiempo.
• La clasificación precisa de los subtipos de cáncer de mama es crucial para el tratamiento eficaz y los resultados de los pacientes.
• Los modelos de aprendizaje profundo existentes a menudo se centran en la clasificación binaria, limitando la diferenciación de subtipos.

Objetivo del estudio:

• Desarrollar y evaluar un marco de aprendizaje profundo para la clasificación en múltiples clases de ocho subtipos histopatológicos del cáncer de mama.
• Comparar el rendimiento de las diferentes arquitecturas ResNet (ResNet-18, ResNet-34, ResNet-50) para esta tarea.
• Evaluar la eficacia del aprendizaje por transferencia y el aumento de datos para mejorar la precisión de la clasificación.

Principales métodos:

• Utilizó redes neuronales convolucionales (CNN), específicamente arquitecturas ResNet (ResNet-18, ResNet-34, ResNet-50), previamente entrenadas en ImageNet.
• Se han implementado extensas técnicas de aumento de datos para mejorar la robustez del modelo en diferentes ampliaciones.
• Se realizó una clasificación multiclase para distinguir entre cuatro subtipos de cáncer de mama benigno y cuatro malignos.

Principales resultados:

• ResNet-50 demostró un rendimiento superior, logrando una precisión máxima del 92,42%.
• El modelo alcanzó un área bajo la curva de características operativas del receptor (AUC-ROC) del 99,86% y una especificidad promedio del 98,61%.
• El marco capturó con éxito las características histopatológicas de grano fino para una clasificación precisa del subtipo.

Conclusiones:

• El aprendizaje profundo, particularmente las CNN con aprendizaje de transferencia, ofrece una herramienta poderosa para la clasificación precisa de subtipos de cáncer de mama de varias clases.
• El marco propuesto mejora significativamente los métodos tradicionales al reducir la subjetividad y mejorar la eficiencia del diagnóstico.
• Estos hallazgos apoyan la utilidad clínica del análisis histopatológico impulsado por IA para el diagnóstico del cáncer de mama.