Análisis de algoritmos de aprendizaje automático para la detección de cáncer de cuello uterino utilizando imágenes de papanicolaou

Abstract

La enfermedad del cáncer del cuello uterino requiere de un diagnóstico certero y anticipado por consiguiente que el objetivo de la investigación fue evaluar la efectividad de algoritmos de aprendizaje automático en la detección de cáncer cervical a partir de imágenes de Papanicolaou. Para ello, se implementaron redes neuronales convolucionales (CNN), DenseNet121 con capas de CNN, CNN con dropout y SVM con extracción de características, sin utilizar transferencia de aprendizaje. El datasetda utilizado constó de 4049 imágenes, de las cuales el 80% se destinó al entrenamiento y el 20% a la validación. Se llevó a cabo un exhaustivo análisis del consumo de CPU, el uso de RAM y el tiempo de respuesta para cada clasificador de aprendizaje automático. Además, se documentó detalladamente el proceso de implementación de los algoritmos, incluyendo la construcción de una matriz de confusión y el cálculo de métricas de desempeño como precisión, sensibilidad, especificidad y F1-score. Los resultados obtenidos demostraron que CNN combinado con dropout fue altamente efectiva en la detección de cáncer cervical, con altos niveles de precisión (90%), exactitud (90.5%) y puntuación F1 (90.5%). Estos hallazgos respaldan la efectividad de los algoritmos de aprendizaje automático en la detección precisa de cáncer cervical. En conclusión, el estudio evidenció que los algoritmos de aprendizaje automático son una herramienta prometedora para la detección temprana y precisa del cáncer de cáncer cervical, lo que podría tener un impacto significativo en la mejora de los cuidados de salud para las mujeres.