Vídeo: caracterización de biopsias de mama

Alberto Velasco Mata, estudiante premiado en la segunda edición de los premios Máquina de Turing. Premio Cojali S.L al mejor Trabajo Fin de Máster, titulado: “Caracterización de regiones de interés en imágenes microscópicas de biopsias de mama“, tutorizado por Eusebio Angulo Sánchez-Herrera y María Gloria Bueno García. A continuación, puedes visualizar en el siguiente vídeo un resumen del trabajo realizado por Alberto

Resumen

La aplicación de técnicas de aprendizaje automático para la detección y clasificación de regiones tumorales en biopsias de tejido mamario, incluyendo zonas cancerígenas, supone una reducción en costes y facilita el diagnóstico de los expertos. Los detectores existentes en este campo de aplicación típicamente realizan una evaluación general de las muestras proporcionadas, centrando su atención únicamente en las regiones tumorales de las mismas. Sin embargo, otras regiones que se encuentran en el entorno celular del tumor podrían presentar indicios de cáncer. El estudio de este factor puede ser de utilidad para los expertos debido a las particularidades del proceso de realización de la biopsia, y a que puede darse el caso de que no aparezcan zonas celulares en la misma. Una detección que tenga en cuenta las características del contexto del tumor podría suponer una mejora respecto a los métodos actuales. Además, es necesario considerar la ausencia habitual de datos etiquetados debido a la dificultad de anotar zonas concretas de tejido y a la variedad existente en las muestras histológicas.

El estudio de cómo afecta a la detección la clasificación de distintos tipos de tejidos, considerando un volumen reducido de datos, implica que será necesario proponer modelos cuyo punto fuerte sea la distinción entre imágenes con alta similaridad entre ellas, como es el caso de los tejidos.

En este trabajo se presentan modelos de aprendizaje profundo basados en la técnica conocida como contrastive learning, con el objetivo de analizar y comparar el rendimiento obtenido al clasificar varios tipos de tejidos en biopsias de mama. Además, se analiza la cantidad de datos necesarios para que estos modelos funcionen adecuadamente, y se aplican técnicas que evitan el sobreajuste de los mismos.