Clasificación de Imágenes Histopatológicas de Cáncer de Mama con Modelos de Redes Neuronales Convolucionales

El diagnóstico y tratamiento temprano pueden reducir las tasas de mortalidad al prevenir la progresión del cáncer de mama. Gracias a las redes neuronales convolucionales (CNN), el diagnóstico del cáncer de mama se puede realizar de manera más rápida y objetiva que los humanos, utilizando miles de imágenes histopatológicas. Este estudio tuvo como objetivo evaluar y comparar el rendimiento diagnóstico rápido y efectivo de los modelos de CNN en imágenes de tumores mamarios, utilizando el aprendizaje por transferencia a través de preentrenamiento y ajuste fino en conjuntos de datos novedosos. El estudio se realizó de dos maneras en los conjuntos de datos BreakHis y BACH. Primero, se utilizaron modelos VGG16, VGG19, Xception, InceptionV3, ResNet50 e InceptionResNetV2 ajustados con fines de clasificación. En segundo lugar, estos modelos de CNN se usaron como extractores de características y máquinas de soporte vectorial (SVM) como clasificadores. El éxito de todos los modelos en la clasificación de tumores se interpretó utilizando métricas de rendimiento, como precisión, exactitud, recuperación, puntuación F1 y AUC. Los modelos que mostraron el mejor rendimiento como resultado de los análisis fueron los siguientes: modelo InceptionResNetV2+SVM con una precisión del 99.3%, precisión del 99.0%, recuperación del 100.0%, puntuación F1 del 99.5%, AUC del 98.9% para el conjunto de datos BreakHis; y modelo InceptionResNetV2 con precisión del 96.7%, precisión del 93.8%, recuperación del 100.0%, puntuación F1 del 96.8%, AUC del 96.7% para el conjunto de datos BACH. Como conclusión, se ha visto que los métodos de CNN tienen buenas habilidades de generalización y pueden responder a necesidades clínicas.