Development of deep learning-based model for breast cancer detection and identification of molecular subtypes using mammography images

Abstract

La detección temprana y la clasificación precisa de subtipos moleculares del cáncer de mama son importantes para proporcionar un tratamiento adecuado. Este proyecto se centra en el desarrollo de un modelo de aprendizaje profundo para la detección de esta enfermedad y la identificación de sus subtipos moleculares a través de imágenes de mamografía. Para este estudio, se emplearon dos conjuntos de datos que incluyen mamografías de pacientes sin cáncer de mama y pacientes con esta enfermedad. La primera base de datos incluye mamografías de 1416 pacientes, mientras que la segunda contiene mamografías de 1775 pacientes, de los cuales 749 están divididos en cuatro subtipos moleculares: Luminal A, Luminal B, HER2-enriquecido y Triple Negativo. Para los cuales, se realizó la segmentación de las lesiones mamarias. El modelo de detección de cáncer de mama basado en AlexNet, alcanzó una precisión de 98.60%. Para la identificación y clasificación de subtipos moleculares, se implementó un modelo de aprendizaje por transferencia utilizando MobileNet, logrando una precisión general del 73.95% y un área bajo la curva (AUC) del 89%. Los resultados indicaron que el subtipo HER2-enriquecido fue el mejor caracterizado, con un AUC del 96%, seguido del subtipo Triple negativo y Luminal A, ambos con un AUC del 89% y finalmente el subtipo Luminal B con un 82%. En conclusión, estos hallazgos proporcionan un modelo potencial basado en imágenes médicas para la detección del carcinoma de mama y la predicción de sus subtipos moleculares.