Predicción y detección de cáncer de cuello uterino con alta precisión de prueba basada en un sistema automatizado...

Área de la Ciencia:

• Oncología
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• El cáncer de cuello uterino es una de las principales causas de muerte entre las mujeres a nivel mundial, con tasas crecientes vinculadas a una detección inadecuada y limitaciones diagnósticas.
• Los métodos convencionales como el Papanicolaou y la inspección visual son subjetivos y propensos a errores humanos, lo que dificulta el diagnóstico preciso.
• Las naciones en desarrollo enfrentan desafíos significativos debido a la limitada infraestructura de detección y la escasez de profesionales de la salud calificados.

Objetivo del estudio:

• Desarrollar y validar un marco de aprendizaje profundo automatizado y robusto para la detección de cáncer de cuello uterino y la clasificación de tipos de cuello uterino.
• Abordar las limitaciones de los métodos de diagnóstico convencionales aprovechando técnicas avanzadas de IA con requisitos mínimos de datos.
• Proporcionar una herramienta de diagnóstico eficaz y eficiente en recursos para mejorar la detección y el manejo del cáncer de cuello uterino, particularmente en entornos con recursos limitados.

Principales métodos:

• Se utilizó un conjunto de datos de 915 imágenes de histopatología y más de 4000 imágenes de colposcopia de fuentes públicas y locales.
• Se empleó una arquitectura GoogleNet para la identificación de la zona de transformación y un modelo EfficientMobileNet para la clasificación del tipo de cuello uterino y la detección del cáncer.
• Se evaluaron varios modelos de redes neuronales convolucionales preentrenados para la comparación del rendimiento.

Principales resultados:

• Se logró una precisión del 96% para la clasificación del tipo de cuello uterino y una precisión del 95% para la detección de cáncer de cuello uterino.
• Se obtuvo un promedio de precisión media (mAP) del 99% para la localización de la región de interés (ROI).
• Se demostró un rendimiento superior con un 97% de recall, 97% de especificidad, 96% de mAP, 97% de medida F1 y 99.8% de AUC en comparación con los modelos existentes.

Conclusiones:

• El marco de aprendizaje profundo propuesto ofrece una solución automatizada altamente precisa y eficiente para el diagnóstico del cáncer de cuello uterino.
• Este enfoque impulsado por IA puede mejorar significativamente las capacidades de diagnóstico, especialmente en regiones con infraestructura y experiencia sanitarias limitadas.
• El rendimiento del sistema indica su potencial para mejorar las tasas de detección temprana y los resultados de los pacientes con cáncer de cuello uterino en todo el mundo.