Modelo de inteligencia artificial para el diagnóstico asistido del cáncer de mama: Un enfoque basado en redes neuronales

Abstract

El cáncer de mama representa la segunda causa de muerte por cáncer en mujeres a nivel mundial. Este trabajo presenta el desarrollo y evaluación de un sistema de inteligencia artificial basado en la arquitectura YOLOv8 para la detección de lesiones en mamografías. Se implementó un modelo de detección de objetos entrenado sobre un conjunto de datos desbalanceado para optimizar la detección de lesiones mamarias. El sistema incorpora varias técnicas de preprocesamiento, incluyendo segmentación del tejido mamario y aumentación de datos mediante transformaciones geométricas y radiométricas. Adicionalmente, se diseñó un sistema con una interfaz interactiva, incluyendo un dashboard de métricas y un chatbot para mejorar la accesibilidad a los análisis automáticos de imágenes. El modelo demostró una exactitud global del 76%, con una precisión del 97% en la detección de casos positivos, una sensibilidad del 73% y una puntuación mAP-50 de 58% para la localización espacial de anomalías. Aunque la alta precisión indica una baja tasa de falsos positivos, la sensibilidad moderada sugiere la necesidad de optimización para reducir falsos negativos, aspecto crítico en aplicaciones clínicas. Los resultados obtenidos evidencian el potencial de las técnicas de deep learning para asistir en el análisis mamográfico, ofreciendo una herramienta complementaria que podría mejorar la eficiencia diagnóstica y reducir la carga de trabajo radiológica. No obstante, el desempeño subóptimo requiere investigación adicional en técnicas avanzadas de balanceo y arquitecturas optimizadas.

Breast cancer represents the second leading cause of cancer death in women worldwide. This work presents the development and evaluation of an artificial intelligence system based on the YOLOv8 architecture for mammography lesion detection. An object detection model trained on an unbalanced dataset was implemented to optimize the detection of breast lesions. The system incorporates several preprocessing techniques, including breast tissue segmentation and data augmentation using geometric and radiometric transformations. Additionally, a system was designed with an interactive interface, including a metrics dashboard and a chatbot to improve accessibility to automatic image analysis. The model demonstrated an overall accuracy of 76%, with an accuracy of 97% for positive case detection, a sensitivity of 73% and an mAP-50 score of 58% for spatial localization of abnormalities. Although the high accuracy indicates a low false positive rate, the moderate sensitivity suggests the need for optimization to reduce false negatives, a critical aspect in clinical applications. The results obtained evidence the potential of deep learning techniques to assist in mammographic analysis, offering a complementary tool that could improve diagnostic efficiency and reduce radiological workload. However, suboptimal performance requires further research into advanced balancing techniques and optimized architectures.