Sistema de apoyo para entrenamiento en radiología mamaria

Abstract

Actualmente, la mamografía es el estándar más efectivo para la detección precoz del cáncer de mama, que exige a los radiólogos un alto grado de especialización, destreza y rigor analítico. La especialización en radiología mamaria tradicionalmente se desarrolla bajo una estructura de maestro-aprendiz. Este tipo de estructura, aunque efectiva en la transferencia de destrezas clínicas, presenta limitaciones sistémicas en el entorno sanitario. Para mitigar las limitaciones identificadas, se propone el diseño de un sistema de apoyo al entrenamiento en radiología mamaria que utilice técnicas de inteligencia artificial para guiar de forma autónoma el aprendizaje de los médicos residentes. La estrategia seguida en este trabajo corresponde al uso de redes neuronales convolucionales (CNN) con y sin entrenamiento. La metodología implementada consiste en: a) preprocesamiento de imágenes, b) evaluación del desempeño del modelo/dataset, c) capacidad de predicción y d) recomendación a partir de los modelos analizados. Dentro de los resultados obtenidos se destaca la relevancia del preprocesamiento de imágenes para detección de densidad/hallazgos. Se logró observar un rendimiento dispar entre los modelos, donde DenseNet, presentó el rendimiento más robusto y consistente, alcanzando un accuracy de 0.65. Le sigue modelo SwinV2, cuya capacidad para clasificar la densidad mamaria resultó insuficiente. Tanto ResNet50 como VGG16, modelos sin reentrenar, no lograron detectar eficazmente los hallazgos de Mass y Suspicious Calcification, respectivamente.