Las redes neuronales convolucionales (CNN) son herramientas poderosas para la detección y diagnóstico de enfermedades a partir de imágenes médicas, destacándose por su capacidad de extracción de características y alta precisión, especialmente en modelos híbridos.
Precisamente ése recurso es el centro del trabajo de investigación con el cual la académica de la Escuela de Ingeniería Informática de la PUCV Pamela Hermosilla Monckton aprobó con distinción, el examen de Magíster en Industria Inteligente, lo cual la habilita para continuar hacia la obtención del Doctorado en la materia.
Hermosilla pertenece a la primera generación de estudiantes de este programa de postgrado, el que, a su vez, es el único que depende directamente de la Facultad de Ingeniería.
Su trabajo «Convolutional Neural Networks for Melanoma skin cancer detection» fue guiado por el profesor Dr. Ricardo Soto de Giorgis, también de la Escuela de Ingeniería Informática.
MÁS SOBRE EL PROYECTO
El proyecto aborda la necesidad crítica de detectar el cáncer de piel, especialmente el melanoma, en etapas tempranas, ya que la precisión en el diagnóstico es vital para el tratamiento efectivo y la mejora de las tasas de supervivencia. Mediante el uso de CNN y técnicas de optimización avanzadas, se busca mejorar significativamente la exactitud de los diagnósticos, ofreciendo una herramienta robusta y eficiente que apoye a los dermatólogos en su práctica diaria.
Según detalló la académica, la investigación se centra en la aplicación de técnicas de aprendizaje automático para la detección temprana del cáncer de piel. “Utilizando imágenes dermatoscópicas, el objetivo es entrenar redes neuronales convolucionales (CNN) para generar diagnósticos más precisos y oportunos”.
Explicó además que la iniciativa comenzó con una revisión sistemática de 45 artículos científicos, siguiendo la guía PRISMA 2020, para identificar los principales algoritmos utilizados en el diagnóstico del cáncer de piel y evaluar su efectividad.
Se realizaron indagaciones preliminares con algoritmos de aprendizaje profundo, en particular con un enfoque de modelos híbridos que combinan arquitecturas de redes neuronales convolucionales (CNN) con la incorporación de algoritmos bioinspirados como Cuckoo Search (CS), optimizando significativamente las configuraciones de las CNN y mejorando la precisión. Estas técnicas permiten una exploración eficiente del espacio de hiperparámetros de una CNN, y permite mejorar las capacidades diagnósticas y la eficiencia de las CNN en el ámbito de la salud. Estos hallazgos sugieren que los enfoques híbridos tienen un gran potencial para mejorar las capacidades diagnósticas de estas tecnologías.
¿Qué proyecciones tiene esta herramienta?
A partir de los resultados preliminares obtenidos, el proyecto se plantea continuar con el desarrollo, implementación y evaluación de modelos híbridos que integren técnicas avanzadas de optimización.
Se evaluará explorar el uso de estas redes en otros ámbitos de imágenes médicas. Se espera que estos modelos no sólo mejoren la precisión diagnóstica, sino que también sean más robustos y eficientes en el procesamiento de imágenes dermatológicas. El enfoque futuro incluye la validación de estos modelos en conjuntos de datos más grandes y variados, así como la colaboración con expertos clínicos para integrar estos sistemas en entornos médicos reales, facilitando su adopción y maximización de su impacto en la detección temprana del cáncer de piel.
