Análisis Explicable de Mamografías con EfficientNetV2 y Grad-CAM++ para un Diagnóstico Robusto del Cáncer

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Oncología

Sus antecedentes:

• El cáncer de mama es una de las principales causas de mortalidad femenina a nivel mundial.
• La interpretación de mamografías enfrenta desafíos debido a la subjetividad y la variabilidad.
• El aprendizaje profundo ofrece detección automatizada pero carece de interpretabilidad.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje profundo explicable para la clasificación del cáncer de mama a partir de mamografías.
• Mejorar la confianza clínica y la interpretabilidad en el análisis mamográfico automatizado.

Principales métodos:

• Se utilizó ecualización adaptativa de histograma con limitación de contraste (CLAHE) para el preprocesamiento de imágenes.
• Se empleó EfficientNetV2 para la extracción de características y el módulo de atención de bloques convolucionales (CBAM) para el refinamiento de características.
• Se integró el mapeo de activación de clase ponderado por gradiente++ (Grad-CAM++) para la interpretabilidad de la predicción.

Principales resultados:

• Se lograron altas precisiones de clasificación: 99,85 % (MIAS), 99,40 % (DDSM), 99,70 % (InBreast).
• Se demostró un rendimiento superior a los métodos existentes con altas puntuaciones F1.
• Se mostró una excelente sensibilidad para casos malignos y una reducción de la sobrecarga computacional.

Conclusiones:

• El marco propuesto ofrece una solución robusta e interpretable para el cribado del cáncer de mama mediante mamografía.
• Mejora la precisión diagnóstica y la aplicabilidad clínica del aprendizaje profundo en la detección del cáncer de mama.