Redes neuronales del tipo transformer como herramienta de clasificación de sobreexpresión de proteína HER2 en imágenes de biopsias de cáncer gástrico

Abstract

La presente memoria tiene como objetivo mejorar la precisión en la clasificación de imágenes de biopsias mediante el uso de redes neuronales de tipo Transformer en comparación con las redes convolucionales, para contribuir a mejorar el nivel de eficacia en el diagnóstico de cáncer gástrico. La motivación detrás de este proyecto radica en la capacidad de las redes neuronales de tipo Transformer para capturar relaciones contextuales complejas, lo que podría agilizar y mejorar el proceso de detección automática de características de interés en las biopsias. Un diagnóstico temprano y preciso del cáncer gástrico es fundamental para iniciar el tratamiento de manera oportuna, lo que puede mejorar significativamente las tasas de supervivencia y la calidad de vida de los pacientes. El objetivo general del trabajo es aplicar y evaluar un modelo de redes neuronales de tipo Transformer en el proceso de detección automatizada de la sobre-expresión de la proteína HER2 en imágenes de biopsias de cáncer gástrico, con el fin de contribuir a un mayor nivel de eficacia en el diagnóstico de cáncer gástrico. La metodología utilizada consistió en la separación de las biopsias en conjuntos de entrenamiento y prueba, así como el procesamiento de los datos para adaptarlos a la red neuronal. Se emplearon técnicas para aumentar la cantidad de datos, como la rotación y el reflexión de imágenes, para mejorar la diversidad y la cantidad de datos de entrenamiento. Se utilizó Python como lenguaje de programación y la librería PyTorch para implementar y entrenar las redes neuronales. Para evaluar el rendimiento del modelo, se midió su capacidad para detectar la sobre-expresión de la proteína HER2 mediante la obtención de métricas de evaluación y la construcción de una matriz de confusión basada en las etiquetas y clasificaciones del modelo. Además, se realizó un análisis comparativo de los resultados obtenidos en este trabajo con estudios previos en el mismo campo de investigación, considerando aspectos como la precisión y la recuperación. Finalmente, se ha comprobado que el Transformer presenta un mejor desempeño en comparación con la red convolucional (CNN) de referencia. El modelo desarrollado logra superar en 3% el valor de exactitud de la CNN y, además, muestra un mejor f1-score en la clasificación de todas las clases.