Modelo de detección de displasia oral con imágenes histopatológicas por medio de algoritmos de Machine Learning de última generación (AutoML en GCP y YOLO en Roboflow)
Cargando...
Archivos
Fecha
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
Background: El cáncer oral es una neoplasia de la cual se estimaron 177,757 muertes en 2020 a nivel mundial. Su diagnóstico se basa en la identificación clínica de las lesiones y un análisis histológico para determinar el tipo y severidad del tejido afectado. Las displasias orales del epitelio son lesiones pre malignas con mayor riesgo de malignización, su clasificación histopatológica, aunque considerada el gold estándar, puede variar entre observadores. Para superar esta limitante se investiga el uso de imágenes e inteligencia artificial para mejorar la clasificación y diagnóstico de estas displasias. Estudios recientes destacan la eficacia de diversas arquitecturas de redes neuronales en la detección de cáncer oral y clasificación de displasias, enfatizando capas convolucionales y evaluación de optimizadores. Métodos: Se siguen varios pasos, desde la obtención de datos abiertos en web y su consolidación con datos propios obtenidos mediante imágenes de microscopio óptico, clasificación de las imágenes según la displasia, pre-procesamiento con segmentación, aplicación de filtros y ajustes. Distintos modelos de machine learning fueron entrenados en plataformas como Google Colab, GCP y Roboflow, evaluándose luego con medidas de desempeño para comparación con otros estudios. Resultados: Se recopilaron 2054 imágenes histopatológicas clasificadas según el grado de severidad de la displasia oral, el conjunto de datos queda disponible en Roboflow. Se aplicó transfer learning con los modelos InceptionV3 y VGG16, con resultados poco satisfactorios, mostrando sobreajuste a los datos de entrenamiento. Se exploraron enfoques de AutoML en Google Cloud Platform (GCP) para detección de objetos y clasificación, Esta última tarea alcanzó un accuracy de 68.8%. El uso de la arquitectura YOLO en Roboflow para la clasificación mostró un rendimiento del 64%. Este modelo está disponible en Roboflow para su uso en inferencia a través de una interfaz web de usuario.
Descripción
Abstract
Background: Oral cancer, with an estimated 177,757 deaths in 2020 around the world, is a neoplasia diagnosed through clinical lesion identification and histological analysis to determine tissue type and severity. Epithelial oral dysplasias are premalignant lesions with varying histopathological classifications, prompting research into image and artificial intelligence utilization to enhance their classification and diagnosis. Recent studies emphasize the effectiveness of various neural network architectures in oral cancer detection and dysplasia classification, highlighting convolutional layers and optimizer evaluations. Methods: The study involves multiple steps, including acquiring web-based open data and consolidating it with proprietary data obtained from optical microscope images. The images are classified based on dysplasia, undergo preprocessing involving segmentation, filter application, and adjustments. Various machine learning models are trained on platforms like Google Colab, GCP, and Roboflow, evaluated using performance metrics for comparison with other studies. Results: A dataset of 2054 histopathological images classified by oral dysplasia severity is available on Roboflow. Transfer learning with InceptionV3 and VGG16 models yielded unsatisfactory results, showing overfitting to training data. AutoML approaches on Google Cloud Platform for object detection and classification achieved an accuracy of 68.8% for the latter task. The use of YOLO architecture in Roboflow for classification demonstrated a 64% performance. This model is accessible on Roboflow for inference through a user-friendly web interface.
Palabras clave
Displasia oral del epitelio, Histopatología, CNN, AutoML, Redes neuronales, Cáncer oral