ANÁLISIS DE RENDIMIENTO DE ARQUITECTURAS DE APRENDIZAJE PROFUNDO EN LA DETECCIÓN DE HALLAZGOS EN IMÁGENES MAMOGRÁFICAS

Vol. 2, 2025 - 332505
Presentación oral
Favoritar este trabajo
¿Cómo citar este artículo?
Resúmenes

El cáncer de mama es una de las principales causas de mortalidad entre las mujeres en Brasil,

haciendo de la detección temprana un factor determinante para la eficacia terapéutica. En este contexto, el

El objetivo de este estudio fue realizar una evaluación sistemática y comparativa de diez arquitecturas

de redes neuronales convolucionales (RNC) preentrenadas en ImageNet, aplicadas a la clasificación binaria de

Mamografías digitales en hallazgos benignos y malignos. La investigación utilizó la base de datos pública VinDr-

Mammo, compuesto por más de 20 mil imágenes anonimizadas, lo que garantiza la reproducibilidad y

transparencia. El proceso metodológico incluyó preprocesamiento estandarizado, aumento de datos y

Aplicación del aprendizaje por transferencia con reemplazo de la capa de clasificación final. Las arquitecturas evaluadas

incluidos ResNeXt-50, ResNet-101, DenseNet-121, MobileNet v2, EfficientNet-B0, ResNet-50,

EfficientNet-B4, ShuffleNet v2, VGG16 y SqueezeNet 1.1. El análisis de rendimiento fue realizado por

métricas estándar, como exactitud, precisión, recuperación, especificidad, puntuación F1 y AUC, complementadas por

matrices de confusión y curvas ROC. Los resultados demostraron un rendimiento modesto, con AUC

oscilando entre 0,59 y 0,61, pero suficiente para establecer una línea de base honesta y reproducible

para futuras optimizaciones mediante el ajuste fino. Se encontró que ResNeXt-50 presentó una

equilibrado entre falsos positivos y falsos negativos, siendo más prometedor para escenarios clínicos

¡Comparte tus ideas o preguntas con los autores!

¿Sabías que el mayor estímulo en el desarrollo científico y cultural es la curiosidad? ¡Deje sus preguntas o sugerencias al autor!

Inicia sesión para interactuar

¿Tiene alguna pregunta o sugerencia? ¡Comparte tus comentarios con los autores!

Instituciones
  • 1 Universidade Estadual do Piauí
  • 2 UESPI - Universidade Estadual do Piauí
Eje Temático
  • GT 4 - INTELIGENCIA ARTIFICIAL Y APLICACIONES MULTIPROFESIONALES
Palabras Clave
Mamografía
Inteligencia artificial
Redes neuronales convolucionales
Transferencia-Aprendizaje
Diagnóstico asistido por computadora