Desarrollo de un algoritmo de aprendizaje de máquina para la clasificación de patología tumoral ósea del sistema musculoesquelético con radiografías simples

Abstract

El cáncer óseo es una de las principales causas de muerte en personas menores de 20 años, con una supervivencia relativa a 5 años de entre el 68-73% en los Estados Unidos. Este estudio tiene como objetivo desarrollar un algoritmo basado en inteligencia artificial (IA) para la detección de tumores óseos en radiografías del sistema musculoesquelético mediante redes neuronales convolucionales (CNN). A partir de imágenes clínicas obtenidas en el Hospital Universitario San Ignacio de Bogotá (2018-2023), se recolectaron 447 radiografías, incluidas imágenes de tumores benignos y malignos, así como normales.

Las imágenes fueron preprocesadas y etiquetadas para entrenar diversos modelos de redes neuronales. El análisis incluyó la creación de histogramas de intensidades en escala de grises de las imágenes y la implementación de un modelo de Mixtura Gaussiana (GMM) para extraer parámetros descriptivos. Posteriormente, se construyó una red neuronal simple para clasificar las imágenes en función de la presencia de tumores. El modelo fue entrenado con un 80% de los datos y validado con un 20%, utilizando métricas como precisión, sensibilidad y exactitud.

El desempeño del modelo de red neuronal fue limitado, con una exactitud global del 12.24%, una precisión del 100%, pero una sensibilidad extremadamente baja del 12.24%, lo que indica que el modelo tiene una alta tasa de falsos negativos. Aunque los resultados de precisión son favorables, la baja sensibilidad resalta la necesidad de mejorar el modelo para detectar un mayor número de tumores.

El estudio concluye que, si bien los modelos sencillos ofrecen procesos de entrenamiento más ágiles, requieren características adicionales, como la textura y correlación de píxeles, para mejorar la clasificación. Se recomienda la utilización de arquitecturas más complejas en investigaciones futuras, para mejorar la precisión y efectividad del algoritmo en la segmentación y detección de tumores, con el fin de acercarse al rendimiento de los expertos en diagnóstico.