SYSTEM BASED ON CONVOLUTIONAL NEURAL NETWORKS FOR BREAST CANCER DETECTION

Esta investigación analiza cómo el cambio de dominio afecta a los clasificadores de mamografías basados en CNN y propone estrategias de mitigación. Se estableció una línea de base con arquitecturas End2End preentrenadas de repositorios públicos. Entre las arquitecturas, se seleccionó el modelo con mejor rendimiento y se adaptó mediante el aprendizaje por transferencia y el ajuste fino a un conjunto de datos privado. Posteriormente, se adoptó un enfoque radiómico a nivel de paciente, integrando imágenes con cuatro vistas, descriptores manuales y se construyó un clasificador de refuerzo de gradiente. Se realizó una evaluación inicial de los modelos utilizando el conjunto de datos privado, y se informaron los indicadores AUC, sensibilidad y especificidad bajo un umbral optimizado con G-mean. Cuando se evaluó fuera del dominio sin adaptación, se identificaron caídas sustanciales en el rendimiento del modelo. Se entrenaron dos configuraciones de modelo utilizando aprendizaje por transferencia seguido de ajuste fino. Los resultados de ambas configuraciones mejoraron sustancialmente el rendimiento con respecto a la línea de base. La configuración 1 mejoró el AUC y la especificidad; la configuración 2 mejoró el AUC y la sensibilidad. El análisis radiómico mejoró simultáneamente la sensibilidad y la especificidad en comparación con la línea de base, con una ligera disminución del AUC. En conclusión, la adaptación del modelo al cambio de dominio es eficaz para reducir las pérdidas métricas, mientras que la radiómica es una alternativa en casos con restricciones y condiciones específicas.