Estrategia de aprendizaje no supervisado para el análisis de imágenes de histopatología en cáncer de mama

Abstract
El cáncer de mama es el cáncer invasivo más común que afecta a las mujeres alrededor del mundo, con una probabilidad de letalidad del 2,6. En Colombia, se estima que aproximadamente 13,380 mujeres padecieron este tipo de cáncer en el 2018, según datos del Observatorio Global de Cáncer. La graduación del cáncer de mama corresponde a la inspección visual de imágenes histológicas realizada por patólogos expertos. Este análisis permite estimar la agresividad del cáncer y también su recurrencia. Particularmente, tres características histológicas son evaluadas: la formación de túbulos, el pleomorfismo nuclear y la actividad mitótica. Debido a que existen diferencias en la selección de regiones de interés diagnóstico, así como diferencias en la interpretación de los protocolos, es frecuente que exista una variabilidad inter-observador significativa para el grado histológico. Diversas técnicas automáticas de aprendizaje supervisado basadas en ingeniería de características, y también en esquemas de aprendizaje profundo, han sido propuestas en el análisis automático de imágenes histológico de cáncer de mama. Estas técnicas han reportado resultados exitosos en conjuntos de imágenes limitados. En Este trabajo se exploró una estrategía de aprendizaje profundo no supervisado para la identificación de características visuales relevantes para el diagnóstico clínico de cáncer de mama. Este enfoque se evaluó haciendo uso del PSNR para medir la reconstrucción de las imágenes en donde se obtuvo un 88,24412 dB en esta medida. En la tarea de clasificación se utilizaron imágenes provenientes de 11 pacientes donde 2 fueron para evaluación, los resultados conseguidos fueron 0.697 en el área bajo la curva ROC AUC.
Description
Keywords
Aprendizaje no supervisad, histopatología, cáncer de mama
Citation