Resumen de Desarrollo de una red neuronal convolucional para la detección del cáncer de mama mediante la clasificación de imágenes mamográficas
Sergio Augusto Celis Esteban, Jhoan Felipe Sarmiento Ortiz
, Liliana Calderón Benavides
- español
La inteligencia artificial (IA) ha venido creciendo durante los últimos años en el área de la salud con el desarrollo de sistemas de apoyo a la toma de decisiones clínicas. Con este trabajo se logró desarrollar un algoritmo de aprendizaje profundo capaz de clasificar imágenes mamográficas en cinco categorías (normal, microcalcificación benigna, nódulo benigno, microcalcificación maligna y nódulo maligno) con un enfoque prioritario en la detección temprana del cáncer de mama, aplicando la técnica de transferencia de aprendizaje. Se usaron los conjuntos de datos DDSM y CBIS-DDSM, disponibles en la web, para el entrenamiento y validación de la red neuronal convolucional obteniendo un AUC del 0.9838 y 0.9773 respectivamente. Estos resultados demuestran el gran potencial que la IA trae para el área de la salud, y los beneficios que genera en esta y otras patologías al reducir el porcentaje de falsos positivos y falsos negativos que son elementos importantes en el diagnóstico.
- English
Artificial intelligence (AI) has been growing in recent years in the health area with the development of support systems for clinical decision making. With this work, it was possible to develop a deep learning algorithm capable of classifying mammographic images into five categories (normal, benign microcalcification, benign nodule, malignant microcalcification and malignant nodule) with a priority focus on the early detection of breast cancer, applying the technique of learning transfer. The DDSM and CBIS-DDSM data sets, available on the web, were used for the training and validation of the convolutional neural network obtaining an AUC of 0.9838 and 0.9773 respectively. These results demonstrate the great potential that AI brings to the health area, and the benefits it generates in this and other pathologies by reducing the percentage of false positives and false negatives that are important elements in the diagnosis.
