Diseño de soluciones de visión computacional y aprendizaje profundo para la detección de cáncer mediante imágenes histopatológicas

Abstract

La detección temprana y precisa del cáncer es un desafío crítico en la medicina actual, con implicaciones significativas en las tasas de supervivencia de los pacientes. Esta investigación se enfoca en el diseño e implementación de soluciones basadas en visión computacional y aprendizaje profundo para abordar este desafío mediante el análisis de imágenes histopatológicas. Se desarrollaron y evaluaron modelos personalizados y redes neuronales convolucionales preentrenadas, como DenseNet121, VGG16 y ResNet50, aplicadas a la clasificación de varios tipos de cáncer, incluyendo pulmonar, colon, oral y gastrointestinal.

Los datos utilizados provienen de fuentes reconocidas, como el conjunto de datos LC25000 y otros especializados en imágenes histopatológicas, los cuales fueron sometidos a técnicas de preprocesamiento y aumento de datos para garantizar su representatividad y balance. Los modelos propuestos fueron optimizados mediante búsqueda bayesiana de hiperparámetros, alcanzando precisiones sobresalientes. DenseNet121 se destacó con un accuracy del 100 % en la clasificación de cáncer pulmonar y gastrointestinal, mientras que el modelo especializado alcanzó un notable 99.9 % en la clasificación de cáncer de colon, superando al modelo general, que obtuvo un 98.46 %.

El uso de herramientas como Grad-CAM permitió interpretar las decisiones de los modelos, reforzando su aplicabilidad clínica al proporcionar visualizaciones intuitivas de las áreas más relevantes de las imágenes. Esto no solo mejora la confianza en los sistemas propuestos, sino que también facilita su integración en flujos de trabajo médicos.

Comparado con estudios previos, como los de Merabet (2024) y Ahmed (2023), los modelos de este trabajo demostraron ser altamente competitivos. Por ejemplo, DenseNet121 superó a otros enfoques en la clasificación de cáncer pulmonar y gastrointestinal, mientras que el modelo personalizado ofreció ventajas en contextos específicos, como la clasificación de cáncer de colon. No obstante, en el caso de cáncer oral, los resultados sugieren la necesidad de ampliar los datos disponibles y explorar enfoques híbridos para mejorar la robustez de los modelos.

Los resultados obtenidos no solo son competitivos con los reportados en la literatura, sino que también evidencian el potencial de estas tecnologías para transformar la práctica clínica, optimizando la precisión y eficiencia en el diagnóstico de cáncer. Este trabajo constituye un paso significativo en la integración de técnicas de aprendizaje profundo para el desarrollo de herramientas que apoyen el diagnóstico médico, resaltando su potencial en aplicaciones de la medicina moderna.