Predicción automatizada de sospecha de cáncer de mama en base al análisis de exámenes de mamografía

Abstract

El cáncer de mama es una de las principales causas de mortalidad entre las mujeres en todo el mundo, y su detección temprana y precisa desempeña un papel fundamentalpara mejorar los resultados de las pacientes. Esta tesis se centra en la predicción de los estadios del cáncer mediante imágenes de mamografı́a y técnicas de aprendizaje profundo, aprovechando las redes neuronales para automatizar y mejorar la precisión diagnóstica. Este trabajo emplea un conjunto de datos de mamografı́as anotadas, con las cuales se entrenan modelos basados en redes neuronales convolucionales (CNN) para clasificar los estadios del cáncer, incorporando arquitecturas avanzadas y aprendizaje por transferencia para mejorar la precisión y la solidez. El rendimiento de los modelos propuestos se evalúa según métricas establecidas, con las cuales se demuestra la capacidad de estos para distinguir eficazmente entre los estadios del cáncer con alta sensibilidad y especificidad. Los resultados muestran el potencial de los enfoques impulsados por inteligencia artificial para ayudar a los radiólogos en la toma de decisiones clı́nicas, reduciendo el error humano y permitiendo un diagnóstico más rápido. Esta investigación contribuye al creciente campo de la imagen médica y la inteligencia artificial, proporcionando una solución escalable para mejorar el diagnóstico del cáncer de mama y la atención al paciente. Breast cancer is a leading cause of mortality among women worldwide, and its early and accurate detection plays a critical role in improving patient outcomes. This thesis focuses on cancer stage prediction using mammography images and deep learning techniques, leveraging neural networks to automate and improve diagnostic accuracy. This work employs an annotated mammography dataset, on which convolutional neural network (CNN)-based models are trained to classify cancer stages, incorporating advanced architectures and transfer learning to improve accuracy and robustness. The performance of the proposed models is evaluated against established metrics, with which the ability of these models to effectively distinguish between cancer stages with high sensitivity and specificity is demonstrated. The results show the potential of AI-driven approaches to assist radiologists in clinical decision making, reducing human error and enabling faster diagnosis. This research contributes to the growing field of medical imaging and artificial intelligence, providing a scalable solution to improve breast cancer diagnosis and patient care.