Un innovador proyecto tendiente a complementar los diagnósticos de expertos,
mejorando los tiempos y precisión en la detección del cáncer de piel de tipo
melanoma está desarrollando grupo de investigadores de la Escuela de Ingeniería
Informática y el doctorado de Industria Inteligente de la Pontificia Universidad
Católica de Valparaíso (PUCV).
Se trata de un algoritmo desarrollado en base a redes neuronales convolucionales
(CNN), que son entrenadas para discriminar si corresponden o no con el
diagnóstico de esta enfermedad.
Una red neuronal convolucional es una arquitectura de red para Deep Learning
que aprende directamente a partir de datos, previamente etiquetados. Suele
emplearse para identificar patrones en imágenes y funciona de manera similar a
las neuronas de un cerebro humano, que a partir de la identificación de
características aprende a categorizar.
El cáncer de piel de tipo melanoma, si bien no es el más letal, su tasa de
incidencia es alta en comparación con otros y en general tiene un buen pronóstico
si es pesquisado a tiempo, sin embargo, un diagnóstico erróneo, puede inducir
falsos negativos, pasando por alto una alerta importante, o por el contrario sugerir
un falso positivo, cuando la enfermedad no existe. El proyecto precisamente
apunta a mejorar la detección temprana a través de una herramienta que pueda
usarse como complemento a la labor de los médicos, de fácil utilización por
dermatólogos y centros de salud.
El algoritmo opera en base a modelos predictivos previamente validados y
testeados para detectar esta patología. A partir de una fotografía de la zona a
analizar y, tras haber sido entrenado para identificar melanomas y discriminar si es
cancerígeno o no, entrega un diagnóstico objetivo que se emite tras cotejar la
lesión en cuestión con miles de imágenes de cáncer de piel, en distintas etapas de
evolución.
“La idea es que, una vez que el modelo esté entrenado, pueda recibir una imagen
y entregar su retroalimentación al dermatólogo para que éste pueda complementar
su diagnóstico o bien, si hay alguna duda, se solicite realizar una biopsia, que
arrojará el informe definitivo. El especialista puede tener una opinión subjetiva
acorde a su experiencia, la cual puede ser complementada a través de los
resultados de este tipo de algoritmos”, explicó Pamela Hermosilla, académica de
la Escuela de Ingeniería Informática y candidata a doctora del programa de
doctorado en Industria Inteligente de la PUCV, y quien, además, lidera la
investigación.
IMITANDO EL PENSAMIENTO HUMANO
Si bien la ejecución en sí del algoritmo, es breve, el entrenamiento previo es una
etapa de trabajo no menor, ya que implica procesar y cargar una cantidad no
menor de imágenes y analizarlas por capas para enseñarle a discriminar en base
a ellas si se está frente a una lesión cancerígena o no. Cada imagen pasa por
filtros que extraen sus cualidades, ya sea asimetría, bordes, color o diámetro, y
luego va clasificando en base a lo que ya conoce. Así, el algoritmo va a decir que
dicha fotografía es posible que corresponda o no a melanoma.
“Las redes neuronales son un ámbito de la Inteligencia Artificial y tiene que ver con
tratar de imitar el razonamiento humano. Específicamente, cuando hablamos de
redes neuronales convolucionales nos referimos a aquellas que están diseñadas
para el tratamiento de imágenes y, en este caso, para la detección del cáncer de
piel a través de la fotografía de distintas lesiones cutáneas. El sistema va
aplicando filtros a las imágenes y sacando características muy específicas para
después identificar de manera más precisa aquellas que corresponden a la
clasificación”, indicó la académica, Pamela Hermosilla.
Por su parte Cristian Suazo, estudiante de primer año del programa de doctorado
en Ingeniería Informática y miembro del equipo, explicó que “tenemos un conjunto
de datos de 11 mil 700 imágenes que trabajó la Universidad de Harvard y que
usamos actualmente para esta investigación. Tuvimos que separar las imágenes
de melanoma de aquellas que no presentaban melanoma y luego entrenamos
nuestro algoritmo ocupando diferentes arquitecturas para conocer cuál era la más
óptima, la que más precisión y exactitud nos brindase”, detalló el estudiante.
Actualmente, el equipo de investigación trabaja en la optimización de CNNs
mediante algoritmos metaheurísticos, enfocándose tanto en la configuración de los
parámetros de la arquitectura de las redes como en aquellos relacionados con su
entrenamiento. En el marco de la iniciativa de internacionalización de la PUCV,
respaldada por el proyecto COIL (Collaborative Online International Learning) que
tiene por objetivo fomentar la vinculación entre estudiantes y académicos de
diversos países y culturas, se han realizado visitas a prestigiosas universidades
españolas con el propósito de explorar oportunidades para fortalecer la
colaboración conjunta en esta área de investigación.
La optimización avanzada mediante metaheurísticas, junto con la colaboración
internacional, fortalece al equipo de investigación, y refleja el compromiso de la
PUCV con la innovación científica y su dedicación al desarrollo de soluciones
tecnológicas que generen un impacto positivo en la sociedad.
