Optimización de la clasificación del cáncer: una revisión impulsada por metaheurísticas de la selección de...

Área de la Ciencia:

• Biología computacional
• Informática médica
• Bioinformática

Sus antecedentes:

• La detección temprana del cáncer mejora significativamente las tasas de supervivencia, impulsando la necesidad de métodos de clasificación automatizados.
• Las imágenes médicas y los datos de expresión génica de microarrays son cruciales para la detección del cáncer, pero a menudo contienen características ruidosas o redundantes.
• La selección de características y la optimización de redes neuronales profundas (DNN) son vitales para mejorar la precisión y reducir los costos computacionales en la clasificación del cáncer.

Objetivo del estudio:

• Examinar la literatura sobre algoritmos metaheurísticos para la selección de características y la optimización de DNN en la clasificación del cáncer.
• Analizar la aplicación de estos métodos a imágenes médicas y datos de expresión génica de microarrays.
• Identificar lagunas de investigación y proponer direcciones futuras para mejorar los métodos computacionales en la detección del cáncer.

Principales métodos:

• Una revisión exhaustiva de la literatura de 91 artículos revisados por pares publicados entre 2012 y 2025.
• Búsqueda sistemática en las principales bases de datos científicas, incluidas Google Scholar, IEEE Xplore, Elsevier y otras.
• Análisis de los clasificadores de uso común (kNN, SVM, CNN) y algoritmos metaheurísticos (PSO, GA, ACO).

Principales resultados:

• Los clasificadores más prevalentes son k-Vecinos Más Cercanos (kNN), Máquinas de Vectores de Soporte (SVM) y Redes Neuronales Convolucionales (CNN).
• Los algoritmos metaheurísticos dominantes son la Optimización por Enjambre de Partículas (PSO), el Algoritmo Genético (GA) y la Optimización por Colonia de Hormigas (ACO).
• La revisión analizó 39 conjuntos de datos de cáncer basados en imágenes y 44 de microarrays, observando tendencias en su utilización.

Conclusiones:

• Los algoritmos metaheurísticos desempeñan un papel importante en la optimización de DNN y la realización de la selección de características para la clasificación del cáncer.
• Existen lagunas críticas de investigación en la mejora de la robustez del modelo y la precisión de la clasificación, lo que requiere una mayor innovación.
• Este estudio proporciona información valiosa para investigadores y responsables de la toma de decisiones en la detección y el diagnóstico computacional del cáncer.