Detección de Cáncer de Pulmón Potenciada por IA: Evaluación de VGG16 y Arquitecturas de CNN para la Clasificación de Imágenes de Tomografía Computarizada
Autores: Klangbunrueang, Rapeepat; Pookduang, Pongsathon; Chansanam, Wirapong; Lunrasri, Tassanee
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Detección de Cáncer de Pulmón Potenciada por IA: Evaluación de VGG16 y Arquitecturas de CNN para la Clasificación de Imágenes de Tomografía Computarizada
Categoría
Gestión y administración
Subcategoría
Gestión de la tecnología y la inovación
Palabras clave
Cáncer de pulmón
Tomografías computarizadas
Red neuronal convolucional
Vgg16
Rendimiento de clasificación
Imagen médica
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
El cáncer de pulmón es una de las principales causas de mortalidad en todo el mundo, y la detección temprana es crucial para mejorar los resultados del tratamiento y reducir las tasas de mortalidad. Sin embargo, el diagnóstico de imágenes médicas, como las tomografías computarizadas (TC), es complejo y requiere un alto nivel de experiencia. Este estudio se centra en desarrollar y evaluar el rendimiento de modelos de Redes Neuronales Convolucionales (CNN), específicamente la arquitectura del Grupo de Geometría Visual 16 (VGG16), para clasificar imágenes de tomografías computarizadas de cáncer de pulmón en tres categorías: Normal, Benigno y Maligno. El conjunto de datos utilizado consiste en 1097 imágenes de TC de 110 pacientes, categorizadas según estos niveles de gravedad. La metodología de investigación comenzó con la recolección y preparación de datos, seguida del entrenamiento y prueba del modelo VGG16 y la comparación de su rendimiento con otras arquitecturas de CNN, incluyendo la Red Residual con 50 capas (ResNet50), Inception Versión 3 (InceptionV3) y la Versión 2 de la Red Neuronal Móvil (MobileNetV2). Los resultados experimentales indican que VGG16 logró el mejor rendimiento de clasificación, con una Precisión de Prueba del 98.18%, superando a los otros modelos. Esta precisión destaca el fuerte potencial de VGG16 como una herramienta de diagnóstico de apoyo en la imagenología médica. Sin embargo, una limitación de este estudio es el tamaño del conjunto de datos, que puede reducir la precisión del modelo cuando se aplica a nuevos datos. Los estudios futuros deberían considerar aumentar el tamaño del conjunto de datos, utilizar técnicas de Aumento de Datos, ajustar los parámetros del modelo y emplear modelos avanzados como CNN 3D o Transformadores de Visión. Además, incorporar el Mapeo de Activación de Clase Ponderada por Gradiente (Grad-CAM) para interpretar las decisiones del modelo mejoraría la transparencia y la fiabilidad. Este estudio confirma el potencial de las CNN, particularmente VGG16, para clasificar imágenes de TC de cáncer de pulmón y proporciona una base para un mayor desarrollo en aplicaciones médicas.
Descripción
El cáncer de pulmón es una de las principales causas de mortalidad en todo el mundo, y la detección temprana es crucial para mejorar los resultados del tratamiento y reducir las tasas de mortalidad. Sin embargo, el diagnóstico de imágenes médicas, como las tomografías computarizadas (TC), es complejo y requiere un alto nivel de experiencia. Este estudio se centra en desarrollar y evaluar el rendimiento de modelos de Redes Neuronales Convolucionales (CNN), específicamente la arquitectura del Grupo de Geometría Visual 16 (VGG16), para clasificar imágenes de tomografías computarizadas de cáncer de pulmón en tres categorías: Normal, Benigno y Maligno. El conjunto de datos utilizado consiste en 1097 imágenes de TC de 110 pacientes, categorizadas según estos niveles de gravedad. La metodología de investigación comenzó con la recolección y preparación de datos, seguida del entrenamiento y prueba del modelo VGG16 y la comparación de su rendimiento con otras arquitecturas de CNN, incluyendo la Red Residual con 50 capas (ResNet50), Inception Versión 3 (InceptionV3) y la Versión 2 de la Red Neuronal Móvil (MobileNetV2). Los resultados experimentales indican que VGG16 logró el mejor rendimiento de clasificación, con una Precisión de Prueba del 98.18%, superando a los otros modelos. Esta precisión destaca el fuerte potencial de VGG16 como una herramienta de diagnóstico de apoyo en la imagenología médica. Sin embargo, una limitación de este estudio es el tamaño del conjunto de datos, que puede reducir la precisión del modelo cuando se aplica a nuevos datos. Los estudios futuros deberían considerar aumentar el tamaño del conjunto de datos, utilizar técnicas de Aumento de Datos, ajustar los parámetros del modelo y emplear modelos avanzados como CNN 3D o Transformadores de Visión. Además, incorporar el Mapeo de Activación de Clase Ponderada por Gradiente (Grad-CAM) para interpretar las decisiones del modelo mejoraría la transparencia y la fiabilidad. Este estudio confirma el potencial de las CNN, particularmente VGG16, para clasificar imágenes de TC de cáncer de pulmón y proporciona una base para un mayor desarrollo en aplicaciones médicas.