Exploración de paradigmas avanzados de aprendizaje profundo para la categorización precisa de tumores cerebrales

Abstract

Los desarrollos actuales en el procesamiento de imágenes médicas se han basado en el aprendizaje profundo. Una de las aplicaciones potenciales del aprendizaje profundo es la mejora de la categorización de tumores cerebrales. El objetivo principal de este trabajo es desarrollar modelos de aprendizaje profundo capaces de detectar cáncer cerebral en datos de resonancia magnética (MRI). Las redes neuronales convolucionales (CNN) y el aprendizaje por transferencia son dos alternativas recientemente desarrolladas frente a los métodos convencionales de clasificación de tumores. Estos enfoques fueron diseñados para abordar las problemáticas mencionadas anteriormente. Una de las principales limitaciones de los métodos tradicionales es su incapacidad para reconocer y generalizar características complejas propias del ser humano. El desarrollo de modelos de aprendizaje profundo para la detección de tumores cerebrales permitió alcanzar el objetivo planteado. Además, se analizaron arquitecturas de CNN y enfoques de aprendizaje por transferencia, se investigaron estrategias de aumento de datos para mejorar el rendimiento del modelo y se examinaron procesos clásicos de aprendizaje automático, los cuales se estudiaron de manera conjunta. Los modelos de aprendizaje profundo, en particular las CNN, superan a los enfoques tradicionales en términos de precisión, robustez y eficiencia en el uso de recursos computacionales. En este contexto, resulta evidente cómo el aprendizaje profundo puede contribuir a la identificación y tratamiento de tumores cerebrales. Este proyecto de investigación tiene como finalidad proponer una técnica novedosa de aprendizaje profundo para la categorización de tumores cerebrales, la cual combina múltiples métodos de extracción de características con diseños modernos de modelos. En general, el método propuesto superó a las alternativas existentes. Este conjunto incluye diversas arquitecturas de última generación, entre las que se encuentran ResNet, VGG, DenseNet, entre otras. Los resultados experimentales obtenidos al comparar distintos enfoques de aprendizaje profundo respaldan estas conclusiones. En comparación con modelos anteriores que seguían la metodología propuesta, el nuevo modelo presentó un mejor desempeño en todas las métricas evaluadas. Las características consideradas fueron: AUC-ROC, recall, exactitud (accuracy), precisión (precision) y puntuación F1. Los resultados mostraron una puntuación F1 de 0.90, valores de exactitud, precisión y área bajo la curva ROC (AUC-ROC) de 0.95, una tasa de recall de 0.88, y valores de exactitud y precisión de 0.90. De acuerdo con los resultados del estudio, la estrategia propuesta mejora la fiabilidad de la clasificación de tumores. Asimismo, la investigación indica que para lograr un mejor desempeño en la clasificación se requieren procedimientos complejos de extracción de características y actualización de modelos. Estos hallazgos pueden influir en la práctica clínica, lo que podría conducir a diagnósticos más precisos y a mejores resultados para los pacientes. Además, los datos obtenidos podrían aportar conocimientos adicionales más allá de estas dos suposiciones iniciales.