El centro de I+D en bioestadística de un laboratorio farmacéutico mundial observó la ineficacia de los métodos existentes para clasificar el cáncer mediante imágenes. Hemos demostrado que el aprendizaje profundo puede superar estos métodos incluso en muestras pequeñas, sin dejar de ser interpretable por los patólogos.
Detección del cáncer mediante aprendizaje profundo
El centro de I+D en bioestadística de un laboratorio farmacéutico mundial observó la ineficacia de los métodos existentes para clasificar el cáncer mediante imágenes. Hemos demostrado que el aprendizaje profundo puede superar estos métodos incluso en muestras pequeñas, sin dejar de ser interpretable por los patólogos.
Problema
Solución
Lo que construimos
Implementamos 1 científico de datos y 1 ingeniero de datos en modo Scrum para diseñar un POC para la clasificación de imágenes médicas mediante aprendizaje profundo, que los patólogos pueden validar.
Paso 1 — Preparación de datos Creación y limpieza del conjunto de datos, normalización y aumento de datos sobre la marcha para compensar el tamaño reducido de la muestra y maximizar la solidez del modelo.
Paso 2 — Modelado de aprendizaje profundo Desarrollo de una red neuronal convolucional (CNN) basada en una arquitectura ResNet, con aprendizaje por transferencia para aprovechar los modelos previamente entrenados y redimensionamiento progresivo para optimizar el aprendizaje en un conjunto de datos pequeño.
Paso 3 — Interpretabilidad: implementación de un sistema completo de explicabilidad: matriz de confusión, métricas de rendimiento (precisión, recuperación) y mapas de calor que muestran las áreas de la imagen que influyeron en la clasificación. Los patólogos pudieron comprobar que el modelo se basaba en las características clínicas correctas.
Paso 4 — Validación por parte de expertos Presentación del POC al departamento de I+D y a los patólogos. Validación de los resultados y las características clínicas identificadas por el modelo.
Proyectos de la misma categoría
