En Costa Rica, como en el mundo, el cáncer es la segunda causa de muerte; y entre los distintos tipos el de mama está entre los de mayor incidencia. Tan solo en el primer semestre de este 2019, 188 costarricenses murieron por un tumor maligno de mama, siendo esta, por sí misma, la sétima causa de muerte en el país, según datos del INEC [2].
Motivo más que suficiente para llamar la atención de profesionales y estudiantes de todas las áreas del conocimiento, incluso la computación.
Bajo estas circunstancias fue que un estudio de alumnos e investigadores del Tecnológico de Costa Rica (TEC) [3] se centró en el diagnóstico asistido por computadora y consiguió demostrar la utilidad de aplicar técnicas computacionales de avanzada para agilizar la identificación de tumores malignos de mama.
La investigación, realizada en conjunto con especialistas de la Universidad Rovira I Virgili [4] (URV), de España, se valió de una base de datos de cerca de 8.000 imágenes de tejido de tumores de pecho, para demostrar que una arquitectura de Deep Learning relativamente sencilla serviría para diferenciar con gran exactitud los tejidos cancerígenos.
Estos resultados fueron publicados por los estudiantes Iván Calvo y Erick Múñoz, y el máster Saúl Calderón, en un artículo conjunto con especialistas de la URV que se presentó en la Latin America High Performance Computing Conference (CARLA) [5].
“Logramos como mejor resultado un 96% de exactitud en identificación, mientras que otros estudios llegaban a un 94 o 95% como mejor resultado. Eso nos deja bastante satisfechos de que las estrategias aplicadas fueron las adecuadas”, resaltó Calvo, quien desarrolló el estudio como parte de su pasantía en la URV y proyecto de graduación para el TEC.
Calvo agregó que el gran avance de esta investigación es comprobar que se pueden alcanzar excelentes resultados con arquitecturas más sencillas, comparables con el “estado del arte” de las arquitecturas más complejas y modernas del mundo.
El Deep Learning, o aprendizaje profundo, una técnica de inteligencia artificial en la que se le “enseña” a las computadoras a desarrollar una tarea específica utilizando bases de datos gigantescas. En este caso, se usan miles de imágenes para que el sistema aprenda a diferenciar los tumores malignos.
Mientras más parámetros, más compleja es la arquitectura necesaria para aplicar esta técnica y, por tanto, los costos. Lo que los investigadores del TEC comprobaron es que aplicando un filtro a las imágenes se puede mejorar la exactitud en arquitecturas sencillas, como la llamada SqueezeNet.
“Mientras menos parámetros, menos memoria consume la arquitectura y menos tiempo se requiere para entrenarla, y encontramos que una variante de la arquitectura que es muy liviana, si le aplicamos un filtro previo, tiene un resultado muy similar al que presenta una arquitectura que es el estado del arte", detalla por su parte Calderón.