Red neuronal reconoce cáncer de mama en muestras histológicas con 100 % de precisión

La probabilidad de un resultado favorable para una paciente con cáncer de mama está muy influenciada por la etapa en la que se diagnostica el cáncer. El examen histológico es el punto de referencia para el diagnóstico, pero su confiabilidad puede verse afectada por interpretaciones subjetivas y la calidad de la muestra de tejido. Las imprecisiones en estos exámenes pueden conducir a diagnósticos incorrectos. Ahora, un equipo de matemáticos ha desarrollado un modelo de aprendizaje automático que mejora significativamente la precisión de la identificación del cáncer en imágenes histológicas. Lo más destacado de este modelo es la incorporación de un módulo adicional que aumenta la capacidad de "atención" de la red neuronal, permitiéndole alcanzar una precisión casi perfecta.

Los matemáticos de la Universidad RUDN (Moscú, Rusia) realizaron pruebas en varias redes neuronales convolucionales y las complementaron con dos módulos de atención convolucionales. Estos módulos son cruciales para detectar objetos dentro de las imágenes. El modelo se sometió a entrenamiento y pruebas utilizando el conjunto de datos BreakHis, que comprende casi 10.000 imágenes histológicas a varias escalas, procedentes de 82 pacientes. El rendimiento más impresionante provino de un modelo que combinó la red convolucional DenseNet211 con los módulos de atención, logrando una notable tasa de precisión del 99,6 %. El equipo de investigación observó que la detección de formaciones cancerosas se ve afectada por la escala de la imagen. Esto se debe a que las imágenes difieren en calidad en distintos niveles de zoom y las formaciones cancerosas aparecen de manera diferente. Por lo tanto, durante la aplicación práctica, seleccionar la escala adecuada para el análisis de imágenes debe ser una consideración crítica.

“La clasificación informática de las imágenes histológicas reducirá la carga de los médicos y aumentará la precisión de las pruebas. Estas tecnologías mejorarán el tratamiento y el diagnóstico del cáncer de mama. Los métodos de aprendizaje profundo han mostrado resultados prometedores en los problemas de análisis de imágenes médicas en los últimos años”, afirmó Ammar Muthanna, Ph.D., director del Centro Científico para el Modelado de Redes Inalámbricas 5G de la Universidad RUDN. “Los módulos de atención del modelo mejoraron la extracción de características y el desempeño general del modelo. Con su ayuda, el modelo se centró en áreas importantes de la imagen y resaltó la información necesaria. Muestra la importancia de los mecanismos de atención en el análisis de imágenes médicas”.

Enlaces relacionados:
Universidad RUDN

Visitar la expo >

Miembro Platino

PRUEBA RÁPIDA COVID-19

OSOM COVID-19 Antigen Rapid Test

Magnetic Bead Separation Modules
MAG and HEATMAG

Complement 3 (C3) Test

GPP-100 C3 Kit

New

Miembro Oro

MÓDULOS DE SEPARACIÓN DE PERLAS MAGNÉTICAS

MAG and HEATMAG