Resumen

El cáncer de mama se forma en las células mamarias y se considera un tipo de cáncer muy frecuente en las mujeres. El cáncer de mama es también una enfermedad que amenaza la vida de las mujeres después del cáncer de pulmón. En este estudio se propone un método de red neuronal convolucional (CNN) para potenciar la identificación automática del cáncer de mama mediante el análisis de zonas de tejido de carcinoma ductal hostil en imágenes de diapositivas completas (WSI). El artículo investiga el sistema propuesto que utiliza varias arquitecturas de redes neuronales convolucionales (CNN) para detectar automáticamente el cáncer de mama, comparando los resultados con los de los algoritmos de aprendizaje automático (ML). Todas las arquitecturas se guiaron por un gran conjunto de datos de unos 275.000 parches de imagen RGB de 50 × 50 píxeles. Se realizaron pruebas de validación de los resultados cuantitativos utilizando las medidas de rendimiento de cada metodología. El sistema propuesto ha demostrado su eficacia y ha obtenido resultados con una precisión del 87 lo que podría reducir los errores humanos en el proceso de diagnóstico. Además, nuestro sistema propuesto alcanza una precisión superior a la del 78 de los algoritmos de aprendizaje automático. Por tanto, el sistema propuesto mejora la precisión en un 9 por encima de los resultados de los algoritmos de aprendizaje automático (ML).

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:precisión, sistema, ML, algoritmos, máquina, resultados, cáncer de mama, zonas de tejido de carcinoma ductal hostil, parches de imagen RGB de píxeles, varias redes neuronales convolucionales
• Keywords:accuracy, system, ML, algorithms, machine, results, breast cancer, hostile ductal carcinoma tissue zones, pixel RGB image patches, various convolutional neural network