Impulso SMOTE efectivo con aprendizaje profundo para la identificación de IDC en imágenes de diapositivas completas

Área de la Ciencia:

• En el campo de la oncología
• Patología computacional
• La inteligencia artificial en la medicina

Sus antecedentes:

• El cáncer de mama es una de las principales causas de mortalidad por cáncer, lo que requiere avances en la detección temprana.
• La clasificación precisa del cáncer de mama, particularmente la atipia nuclear, es un desafío debido a la variabilidad de la preparación de las diapositivas y la morfología compleja de los tejidos.
• La detección y el diagnóstico asistidos por computadora tienen el potencial de mejorar los resultados de los pacientes a través de predicciones precisas y estrategias de tratamiento personalizadas.

Objetivo del estudio:

• Explorar la eficacia del aprendizaje profundo para la extracción de características de las imágenes de histopatología del cáncer de mama.
• Introducir y evaluar una nueva red neuronal convolucional (CNN) basada en SMOTE para detectar el carcinoma ductal invasivo (IDC) en imágenes de diapositivas completas.
• Comparar el rendimiento del modelo propuesto con las arquitecturas establecidas de la CNN.

Principales métodos:

• Desarrollo de un modelo de red neuronal convolucional basado en SMOTE (SMO_CNN).
• Se utilizó un conjunto de datos que incluía 162 muestras de pacientes con carcinoma ductal invasivo (CDI), divididas en conjuntos de entrenamiento (113 imágenes) y pruebas (49 imágenes).
• Pruebas individuales de cada modelo, incluidos CNN, VGG19, ResNet50 y el SMO_CNN propuesto.

Principales resultados:

• El modelo SMO_CNN desarrollado logró una alta precisión, con un 98,95% en las pruebas y un 99,20% en los conjuntos de datos de capacitación.
• El modelo SMO_CNN superó a los modelos estándar CNN, VGG19 y ResNet50 en la detección de áreas de tejido afectadas por IDC.
• Demostró la capacidad del modelo para identificar con precisión las regiones de tejido maligno.

Conclusiones:

• El modelo propuesto SMO_CNN exhibe un rendimiento superior en la detección de carcinoma ductal invasivo (IDC) en imágenes de histopatología.
• Este enfoque de aprendizaje profundo ofrece una herramienta prometedora para mejorar la precisión y la eficiencia del diagnóstico del cáncer de mama.
• Los hallazgos sugieren un potencial significativo para mejorar la planificación del tratamiento del cáncer de mama y el manejo del paciente.