Metodología para la integración de diferentes modelos modelos basados en deep learning para la detección de lesiones en mamografía de cribado.

Abstract

Los modelos de aprendizaje profundo han demostrado su potencial para la detección del cáncer de mama en mamografías de cribado. Existen muchas arquitecturas de aprendizaje y métodos de entrenamiento que realizar tareas de detección, clasificación y/o localización. Sin embargo, la implementación y validación de estos plantea serias dudas sobre la reproducibilidad de los resultados. Este trabajo, se intereza en la integración de diferentes modelos para la detección de cáncer de mama. Para ello, construimos un conjunto de datos independiente, para analizar la reproducibilidad de los modelos, y realizar diferentes experimentos para su integración. Este trabajo incluye tres etapas. Primero, se realiza una evaluación comparativa de 5 modelos de cribado para la detección. Segundo, se realiza un análisis de saliencia para estudiar la relación entre las capacidades de detección y localización de lesiones de estos. Y por último, se prueban métodos de integración. Los resultados sugieren que el desempeño en saliencia no es un predictor preciso del rendimiento de un algoritmo en la detección de cáncer de mama. Por esto, la integración se basó únicamente en el procesamiento de las predicciones individuales de cada modelo. Así, el mejor de los resultados se obtuvo con regresión logística mediante validación cruzada, con un rendimiento de AUC = 0.841 (IC 95\%: 0.759-0.923) a nivel de mama.