Uso de redes neuronales convolucionales para la clasificación del cáncer cervical con imágenes citológicas del papanicolaou

Resumen

Objetivo: Implementar una arquitectura de red convolucional para identificar patrones de enfermedad en diferentes opciones de cirugía cervical utilizando datos de Papanicolaou, que se refieren a imágenes obtenidas del examen, que se utiliza para detectar cambios en las células cervicales que pueden ser indicativos de cáncer cervical. Métodos: Se trata de un estudio experimental, en el que se utilizó el conjunto de datos de imágenes citológicas de frotis de Papanicolaou de la base de datos pública SIPaKMeD, disponible en línea en el repositorio Kaggle. El aprendizaje de transferencia propuesto se desarrolló utilizando modelos de redes neuronales convolucionales (CNN) entrenados previamente, como InceptionV3, Xception, VGG y un enfoque VGG modificado, para clasificar las imágenes de frotis de Papanicolaou según categorías de células: disqueratósicas, coilocíticas, metaplásicas, parabasales y superficiales-intermedias. Resultados: Los mejores resultados para la clasificación de categorías celulares fueron para las arquitecturas InceptionV3 y VGG con una modificación en las capas de la arquitectura original, las cuales presentaron una precisión del 91%. La arquitectura Xception presentó un 88% de precisión y VGG sin modificaciones en las capas presentó un 86% en el modelo entrenado. Conclusión: Se concluye que los hallazgos resaltan la capacidad del modelo para discernir patrones y diferenciar células con precisión.