Una revisión exhaustiva de las técnicas de transferencia de aprendizaje de vanguardia utilizadas en la imagen médica: problemas y desafíos abiertos

Resumen Las técnicas de aprendizaje profundo, que utilizan una tecnología masiva conocida como redes neuronales convolucionales, han mostrado excelentes resultados en una variedad de áreas, incluida la procesamiento e interpretación de imágenes. Sin embargo, a medida que aumenta la profundidad de estas redes, también lo hace la demanda de una gran cantidad de datos etiquetados necesarios para entrenar estas redes. En particular, el campo médico sufre de una falta de imágenes porque el procedimiento para obtener imágenes médicas etiquetadas en el ámbito sanitario es difícil, costoso y requiere experiencia especializada para añadir etiquetas a las imágenes. Además, el proceso puede ser propenso a errores y consumir mucho tiempo. La investigación actual ha revelado el aprendizaje por transferencia como una solución viable a este problema. El aprendizaje por transferencia nos permite transferir el conocimiento adquirido de un proceso anterior para mejorar y abordar un nuevo problema. Este estudio tiene como objetivo realizar una encuesta exhaustiva de estudios recientes que abordaron la resolución de este problema y las métricas más importantes utilizadas para evaluar estos métodos. Además, este estudio identifica problemas en las técnicas de aprendizaje por transferencia y destaca los problemas del conjunto de datos médicos y los problemas potenciales que se pueden abordar en investigaciones futuras. Según nuestra revisión, muchos investigadores utilizan modelos preentrenados en el conjunto de datos de Imagenet (VGG16, ResNet, Inception v3) en muchas aplicaciones como la clasificación de cáncer de piel, cáncer de mama y retinopatía diabética. Estas técnicas requieren una mayor investigación de estos modelos, debido a que se entrenan con imágenes naturales, no médicas. Además, muchos investigadores utilizan técnicas de aumento de datos para ampliar su conjunto de datos y evitar el sobreajuste. Sin embargo, no se han realizado suficientes estudios que hayan demostrado el efecto del rendimiento con o sin aumento de datos. La precisión, el recall, la precisión, la puntuación F1, la curva característica operativa del receptor y el área bajo la curva (AUC) fueron las medidas más utilizadas en estos estudios. Además, identificamos problemas en los conjuntos de datos para melanoma y cáncer de mama y sugerimos soluciones correspondientes.