Un novedoso proyecto que busca complementar los diagnósticos de especialistas y optimizar los tiempos y la precisión en la detección del melanoma, un tipo de cáncer de piel, está siendo desarrollado por un equipo de investigadores de la Escuela de Ingeniería Informática y del doctorado en Industria Inteligente de la Pontificia Universidad Católica de Valparaíso (PUCV).
El proyecto se basa en un algoritmo creado a partir de redes neuronales convolucionales (CNN), las cuales son entrenadas para determinar si una lesión corresponde o no a esta enfermedad.
Las redes neuronales convolucionales son una arquitectura de redes de Deep Learning que aprenden directamente de datos previamente etiquetados. Se utilizan principalmente para identificar patrones en imágenes y operan de manera similar a las neuronas de un cerebro humano, que aprenden a clasificar a partir de la identificación de características.
El melanoma, aunque no es el cáncer de piel más mortal, presenta una alta tasa de incidencia en comparación con otros tipos y, generalmente, tiene un buen pronóstico si se detecta a tiempo. No obstante, un diagnóstico inadecuado puede resultar en falsos negativos, ignorando señales de advertencia importantes, o falsos positivos, cuando no existe la enfermedad. Este proyecto busca precisamente mejorar la detección temprana mediante una herramienta que funcione como apoyo para médicos, siendo de fácil uso para dermatólogos y centros de atención médica.
El algoritmo funciona a partir de modelos predictivos previamente validados y testeados para identificar el melanoma. Al recibir una fotografía de la lesión en cuestión, y tras haber sido entrenado para reconocer melanomas y diferenciar entre cancerígenos y no cancerígenos, proporciona un diagnóstico objetivo. Este se emite mediante la comparación de la lesión con miles de imágenes de cáncer de piel en diversas etapas de evolución.
“La idea es que, una vez que el modelo esté entrenado, reciba una imagen y entregue retroalimentación al dermatólogo, quien podrá complementar su diagnóstico o, en caso de dudas, solicitar una biopsia para obtener un informe definitivo. Si bien el especialista puede tener una opinión subjetiva basada en su experiencia, los resultados proporcionados por este tipo de algoritmos pueden ser un complemento valioso”, explicó Pamela Hermosilla, académica de la Escuela de Ingeniería Informática y candidata a doctora en el programa de doctorado en Industria Inteligente de la PUCV, quien lidera la investigación.
IMITANDO EL RAZONAMIENTO HUMANO
A pesar de que la ejecución del algoritmo es rápida, el entrenamiento inicial es una fase de trabajo crucial que implica procesar y cargar una gran cantidad de imágenes para analizarlas en capas. Esto es necesario para enseñar al algoritmo a diferenciar si una lesión es cancerígena o no. Cada imagen se somete a filtros que extraen sus características, como asimetría, bordes, color o diámetro, y luego se clasifica en función de lo aprendido.
“Las redes neuronales son una rama de la Inteligencia Artificial y buscan imitar el razonamiento humano. En particular, cuando hablamos de redes neuronales convolucionales nos referimos a aquellas que están diseñadas para el tratamiento de imágenes, en este caso para la detección del cáncer de piel a partir de fotografías de distintas lesiones cutáneas. El sistema aplica filtros a las imágenes y extrae características específicas para identificar con mayor precisión 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 “disponemos de un conjunto de datos de 11,700 imágenes que fueron procesadas por la Universidad de Harvard y que utilizamos actualmente para esta investigación. Tuvimos que separar las imágenes de melanoma de aquellas que no presentaban esta condición y luego entrenar nuestro algoritmo usando diferentes arquitecturas para identificar cuál era la más efectiva, la que ofrecía mayor precisión y exactitud”, detalló el estudiante.
En la actualidad, el equipo de investigación está trabajando en la optimización de las redes neuronales convolucionales a través de algoritmos metaheurísticos, centrándose tanto en la configuración de los parámetros de la arquitectura de las redes como en aquellos relacionados con su entrenamiento. Dentro de la iniciativa de internacionalización de la PUCV, respaldada por el proyecto COIL (Collaborative Online International Learning), se han realizado visitas a renombradas universidades españolas con el objetivo de explorar oportunidades para fortalecer la colaboración en esta área de investigación.
La optimización avanzada mediante metaheurísticas, junto con la colaboración internacional, fortalece al equipo y refleja el compromiso de la PUCV con la innovación científica y su dedicación al desarrollo de soluciones tecnológicas que tengan un impacto positivo en la sociedad.
Con Información de osornoenlared.cl
