Deep learning aplicado para la detección de hemorragias y tumores cerebrales

Abstract

Introducción: Un problema que afecta a la salud en Chile se refiere a las patologías cerebrales, toma de exámenes y el alto tiempo de espera para la obtención de los resultados (retrasando el diagnóstico y tratamiento). Actualmente, los exámenes se envían al extranjero para ser procesados y el tiempo de espera juega en contra del paciente. Dada esta realidad, nuestro documento propone un modelo de deep learning para la predicción de imágenes cerebrales que permita obtener un diagnóstico previo, pero no definitivo, en virtud de disminuir el tiempo del proceso y, de ser necesario, priorizar a los pacientes cuya vida estaría potencialmente en riesgo. Métodos: El desarrollo utilizó un enfoque RAD iterativo y las imágenes se recogieron de Kaggle. Adicionalmente, se redimensiona el dataset para normalizar el tamaño y generamos nuevas imágenes utilizando “data augmentation”. Las imágenes fueron procesadas en redes convolucionales, indagando en distintas configuraciones para la red, su optimizador y la función de activación, hasta llegar a un modelo que consideramos razonable. Resultados: Con el modelo definitivo, los resultados superan el 80% de precisión en las predicciones y descubrimos que separar patologías (hemorragias y tumores) fue crucial para este resultado. Conclusiones: Hemos logrado una herramienta de diagnóstico previo, pero se debe continuar la investigación en virtud de aumentar la precisión. Un próximo paso considera ampliar el dataset con imágenes de otras fuentes y separar el modelo para analizar patologías de forma independiente. Motivamos a seguir investigando ya que este tipo de apoyo puede contribuir a salvar vidas.