Clasificadores combinados con modelos DenseNet para la clasificación de imágenes de tomografía computarizada de...

Área de la Ciencia:

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

Sus antecedentes:

• El cáncer de pulmón es una de las principales causas de mortalidad a nivel mundial.
• El aprendizaje profundo muestra potencial en el análisis de imágenes médicas.
• Existen estudios comparativos limitados sobre las combinaciones de clasificadores con DenseNet para la clasificación del cáncer de pulmón.

Objetivo del estudio:

• Comparar el rendimiento de diferentes combinaciones de clasificadores (SVM, ANN, MLP) con las arquitecturas de DenseNet para la clasificación del cáncer de pulmón.
• Para evaluar la eficacia de estas combinaciones se utilizarán imágenes de tomografía computarizada de tórax.
• Establecer puntos de referencia para los sistemas automatizados de detección del cáncer de pulmón.

Principales métodos:

• Un análisis comparativo de 1.000 tomografías computarizadas del tórax (adenocarcinoma, carcinoma de células grandes, carcinoma de células escamosas, normal).
• Tres variantes de DenseNet (DenseNet-121, DenseNet-169, DenseNet-201) combinadas con los clasificadores SVM, ANN y MLP.
• El rendimiento se evaluó utilizando la precisión, el AUC, el recuerdo, la especificidad y la puntuación F1 con una división de 80-20 entre los ensayos de trenes.

Principales resultados:

• El modelo óptimo logró una precisión de entrenamiento del 92% y una precisión de prueba del 83%.
• El rendimiento en todos los modelos osciló entre el 73% y el 83% de precisión de la prueba.
• La combinación MLP-DenseNet-169 mostró una precisión del 83%, mientras que SVM-DenseNet-169 demostró una estabilidad superior.

Conclusiones:

• El aprendizaje profundo clasifica efectivamente las tomografías computarizadas del pecho para la detección de cáncer de pulmón.
• La combinación MLP-DenseNet-169 proporciona un punto de referencia prometedor para la detección automatizada del cáncer de pulmón.
• Las investigaciones adicionales deben abordar limitaciones como el diseño retrospectivo y el tamaño de la muestra.