Detección de cáncer de seno usando imágenes de histopatología y modelos de aprendizaje profundo pre-entrenados

Abstract

El cáncer es una enfermedad que se puede originar en cualquier parte del cuerpo. Comienza cuando las células infectadas crecen de forma descontrolada sobrepasando a las células sanas. El cáncer de seno, en su mayoría carcinomas, es el tipo más común entre las mujeres de todo el mundo. Los procedimientos utilizados para la detección de la enfermedad son aproximaciones diagnósticas, algunos de estos son invasivos. Usando herramientas digitales, es posible desarrollar o implementar sistemas de diagnóstico asistido para agilizar el proceso y permitir mayor confiabilidad de los análisis. El presente estudio se realiza con imágenes digitales de histopatología a partir de la base de datos de acceso abierto. Se evalúan tres escenarios, partiendo desde un esquema clásico, luego el se incluye el uso de modelos profundos pre-entrenados y finalmente se evaluá un modelo profundo con una red neuronal convolucional. El rendimiento de cada uno de los métodos sometidos a estudio se evaluaron calculando las medidas diagnósticas de precisión, sensibilidad y especificidad, logrando así encontrar el modelo que mejor se adecua a la tarea abordada. Se observa que los modelos pre-entrenados aportan información altamente discriminante a pesar de haber sido entrenados para una tarea completamente diferente. En general los modelos profundos permiten mejorar significativamente la especificidad del sistema al comparar con el enfoque clásico.

Cancer is a disease that can start anywhere in the body. It begins when infected cells grow out of control, outpac-ing normal cells. Breast cancer is the most common type in women around the world. Most of them are carcinomas, these originate in the cells that cover the organs and tissues of the body. The procedures used to detect the disease are diagnostic approaches, and some are invasive. Using digital tools, it is possible to develop or implement assisted diagnos-tic systems to streamline the process and allow greater reli-ability of the analyzes. The present study is carried out with digital histopathology images. In this study three scenarios were evaluated, starting from a classical machine learning scheme, logistic regression combined with principal compo-nent analysis. Then we include the use of pre-trained deep models and finally a deep model based on a convolutional neural network. The performance for each approach was evaluated by calculating three diagnostic measures such as precision, sensitivity and specificity. It is observed that the pre-trained models provide highly disciminative information despite having been trained for a completely different task. In general, deep models allow to significantly improve the specificity of the system when compared with the classical approach.