Resumen

Antecedentes. La leucemia es un cáncer mortal tanto en niños como en adultos y se divide en aguda y crónica. La leucemia linfoblástica aguda (LLA) es un subtipo de este cáncer. El diagnóstico temprano de esta enfermedad puede tener un impacto significativo en el tratamiento de la misma. Las técnicas orientadas a la inteligencia computacional pueden utilizarse para ayudar a los médicos a identificar y clasificar rápidamente la LLA. Materiales y método. En este estudio, el conjunto de datos utilizado se obtuvo de un concurso de CodaLab para clasificar las células leucémicas de las normales en imágenes microscópicas. Se emplearon dos famosas redes de aprendizaje profundo, incluyendo la red neural residual (ResNet-50) y VGG-16. Estas dos redes ya están entrenadas con los parámetros asignados, lo que significa que no utilizamos los pesos almacenados; también ajustamos los pesos y los parámetros de aprendizaje. Además, se propuso una red convolucional con diez capas convolucionales y 2∗2 capas de agrupación máxima-con pasos 2-y se desarrollaron seis técnicas de aprendizaje automático comunes para clasificar la leucemia linfoblástica aguda en dos clases. Resultados. Las precisiones de validación (la precisión media de las redes de entrenamiento y de prueba para 100 ciclos de entrenamiento) de ResNet-50, VGG-16 y la red convolucional propuesta fueron del 81,63%, 84,62% y 82,10%, respectivamente. Entre los métodos de aprendizaje automático aplicados, la precisión más baja obtenida estaba relacionada con el perceptrón multicapa (27,33%) y la más alta con el bosque aleatorio (81,72%). Conclusión. Este estudio demostró que la red neuronal convolucional propuesta tiene una precisión óptima en el diagnóstico de la LLA. Al comparar varias redes neuronales convolucionales y métodos de aprendizaje automático en el diagnóstico de esta enfermedad, la red neuronal convolucional logró un buen rendimiento y un tiempo de ejecución óptimo sin latencia. Esta red propuesta es menos compleja que las dos redes preentrenadas y puede ser empleada por patólogos y médicos en sistemas clínicos para el diagnóstico de la leucemia.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:red neuronal convolucional, métodos de aprendizaje automático, leucemia linfoblástica aguda, precisión del entrenamiento, técnicas de aprendizaje automático, tiempo de ejecución óptimo, red neuronal residual, menor precisión obtenida, red de aprendizaje profundo, red convolucional propuesta
• Keywords:convolutional neural network, machine learning methods, acute lymphoblastic leukemia, accuracy of training, machine learning techniques, optimal execution time, residual neural network, lowest obtained accuracy, deep learning network, proposed convolutional network