Inteligencia artificial y Radiómica en la clasificación maligno- benigno de masas en mamas

Resumen

La mamografía es el método más fiable y preciso para la detección temprana del cáncer de mama. El desafío radica en la capacidad que ofrece al especialista médico para diferenciar entre lesiones malignas y benignas debido a la complejidad y diversidad de las lesiones. La radiómica se ha desarrollado como una de las posibles soluciones al problema. Objetivo: Diseñar un sistema automatizado de diagnóstico, basado en radiómica y machine learning (ML), para clasificar masas mamarias en malignas o benignas, para auxiliar a los especialistas médicos. Método: Se extrajeron 474 características radiómicas de 181 mamografías con masas de la base de datos VinDr-Mammo, con la biblioteca PyRadiomics. Estas fueron reducidas a 4 características mediante la correlación de Pearson entre todos los pares de características, para eliminar las redundancias que no son útiles en tareas de clasificación. Con este resultado se entrenaron y validaron varios modelos de inteligencia artificial Random Forest y Support Vector Machine. Resultado: El modelo con mejor desempeño fue un Support Vector Machine polinómico de grado 7, con el que se obtuvo una sensibilidad de 92,31% y una especificidad de 91,67% en la clasificación. Se realizó además una prueba externa con 40 mamografías de la base de datos CBIS-DDSM, obteniéndose una sensibilidad de 90,00% y una especificidad de 80,00%.  Conclusión: Los resultados anteriores evidencian el poder de generalización del modelo seleccionado, así como la factibilidad del enfoque conjunto de radiómica y ML, lo que permitió diseñar un Sistema de

La mamografía es el método más fiable y preciso para la detección temprana del cáncer de mama. El desafío radica en la capacidad que ofrece al especialista médico para diferenciar entre lesiones malignas y benignas debido a la complejidad y diversidad de las lesiones. La radiómica se ha desarrollado como una de las posibles soluciones al problema. Objetivo: Diseñar un sistema automatizado de diagnóstico, basado en radiómica y machine learning (ML), para clasificar masas mamarias en malignas o benignas, para auxiliar a los especialistas médicos. Método: Se extrajeron 474 características radiómicas de 181 mamografías con masas de la base de datos VinDr-Mammo, con la biblioteca PyRadiomics. Estas fueron reducidas a 4 características mediante la correlación de Pearson entre todos los pares de características, para eliminar las redundancias que no son útiles en tareas de clasificación. Con este resultado se entrenaron y validaron varios modelos de inteligencia artificial Random Forest y Support Vector Machine. Resultado: El modelo con mejor desempeño fue un Support Vector Machine polinómico de grado 7, con el que se obtuvo una sensibilidad de 92,31% y una especificidad de 91,67% en la clasificación. Se realizó además una prueba externa con 40 mamografías de la base de datos CBIS-DDSM, obteniéndose una sensibilidad de 90,00% y una especificidad de 80,00%.  Conclusión: Los resultados anteriores evidencian el poder de generalización del modelo seleccionado, así como la factibilidad del enfoque conjunto de radiómica y ML, lo que permitió diseñar un Sistema de diagnóstico asistido por computadora, para su empleo en rutina clínica.

diagnóstico asistido por computadora, para su empleo en rutina clínica.