Uso de algoritmos de machine learning para el diagnóstico de melanomas

• Autores: Calderon Ortiz, Jose Dario, Morales Ticliahuanca, Lennin Fabricio, Roncal Moscol, María Esther, Solórzano Requejo, William Gabriel
• Formato: tesis de grado
• Fecha de Publicación: 2021
• Institución: Universidad de Piura
• Repositorio: UDEP-Institucional
• Lenguaje: español
• OAI Identifier: oai:pirhua.udep.edu.pe:11042/4949
• Enlace del recurso: https://hdl.handle.net/11042/4949
• Nivel de acceso: acceso abierto
• Materia: Melanoma -- Diagnóstico; Aprendizaje automático (Inteligencia artificial) -- Aplicación -- Enfermedades; 006.3; https://purl.org/pe-repo/ocde/ford#2.02.03

El trabajo tiene como objetivo desarrollar una herramienta que ayude a realizar un primer diagnóstico mediante la identificación de lunares en la piel que encajen en la descripción de un posible melanoma. Con tal fin, se realiza una comparación entre dos algoritmos comunes en la clasificación de imágenes random forest y redes neuronales convolucionales (RNC), detallándose la información necesaria para el desarrollo y aprovechamiento de los algoritmos y cómo estos serán utilizados para la programación de una herramienta digital que facilite la detección de un melanoma en la piel, acelerándose así el diagnóstico de cáncer de piel e iniciando un tratamiento de manera rápida. Para el desarrollo, se obtuvieron imágenes de una competencia organizada por la Society for Imaging in Medicine y la International Skin Imaging Collaboration. El total de imágenes de melanoma fue de 1087 y 1029 de lunares benignos. Dado que muchas de estas tenían vellos, se utilizó un removedor digital denominado DigitalHairRemoval y la técnica usada para mejorar la precisión fue la data augmentation. Posteriormente, se desarrollaron modelos con RNC probando las arquitecturas DenseNet 121 y 161, y ResNet 34 y 50 mientras que, para los modelos random forest, se probó la técnica de Principal Component Analysis (PCA) y las transformaciones L y P. El criterio de selección se basó en indicadores de las mejores métricas (accuracy, precision, recall y f1 score). De los modelos desarrollados con RNC, el mejor fue Resnet34, en tanto, para los desarrollados con random forest, las mejores métricas se obtuvieron utilizando la técnica de PCA con la transformación P. Con lo cual, se concluye que el modelo con RNC con la arquitectura Resnet34 es mejor que el de random forest porque este considera la localidad de los píxeles, mientras que random forest pierde esta propiedad en el aplanamiento de éstos.