Ginecología y Obstetricia
Acceso abierto
ISSN: 2161-0932
ISSN: 2161-0932
Abid Sarwar, Jyotsna Suri, Vinod Sharma y Mehbob Ali
Objetivo: El objetivo principal de este trabajo de investigación es desarrollar una nueva base de datos de referencia de células cervicales digitalizadas y calibradas , células del cuello uterino obtenidas de portaobjetos de la prueba de Papanicolaou, que se realiza para la detección del cáncer de cuello uterino. Esta base de datos puede servir como una herramienta potencial para diseñar, desarrollar, entrenar, probar y validar varios sistemas basados en inteligencia artificial para el pronóstico del cáncer de cuello uterino mediante la caracterización y clasificación de imágenes de frotis de Papanicolaou. La base de datos también puede ser utilizada por otros investigadores para el análisis comparativo de las eficiencias de trabajo de varios algoritmos de procesamiento de imágenes y aprendizaje automático. La base de datos se puede obtener enviando una solicitud al autor de correspondencia. Además de desarrollar una rica base de datos de aprendizaje automático, también hemos presentado una novedosa técnica de conjunto híbrido basada en inteligencia artificial para la detección eficiente del cáncer de cuello uterino mediante el análisis automatizado de imágenes de frotis de Papanicolaou.
Metodología: El diagnóstico correcto y oportuno del cáncer de cérvix es uno de los mayores problemas en el mundo médico. De la literatura se ha encontrado que diferentes técnicas de reconocimiento de patrones pueden ayudarlos a mejorar en este dominio. La prueba de Papanicolaou (también conocida como prueba de Papanicolaou) es un examen microscópico de muestras de células humanas raspadas de la parte inferior y estrecha del útero, llamada cuello uterino. Una muestra de células después de ser teñidas con el método de Papanicolaou se analiza bajo el microscopio para detectar la presencia de desarrollos inusuales que indiquen desarrollos precancerosos y potencialmente precancerosos. Los hallazgos anormales, si se observan, se someten a subrutinas de diagnóstico más precisas. El examen de las imágenes de las células en busca de anomalías en el cuello uterino brinda motivos para tomar medidas inmediatas y, por lo tanto, reducir la incidencia y las muertes por cáncer de cuello uterino. Es la técnica más popular utilizada para la detección del cáncer de cuello uterino. La prueba de Papanicolaou, si se realiza con programas regulares de detección y un seguimiento adecuado, puede reducir la mortalidad por cáncer de cuello uterino hasta en un 80 %. La contribución de este documento es que hemos creado una rica base de datos de aprendizaje automático de células cervicales calibradas y perfiladas cuantitativamente obtenidas de portaobjetos de prueba de Papanicolaou. La base de datos así creada consta de datos de unos 200 casos clínicos (8091 células cervicales), que se han obtenido de múltiples centros de atención de la salud, para garantizar la diversidad de datos. Los portaobjetos se procesaron utilizando un microscopio digital multicabezal y se obtuvieron imágenes de células cervicales, que se pasaron por varias subrutinas de preprocesamiento de datos. Después del procesamiento previo, las células se perfilaron morfológicamente y se escalaron para obtener mediciones cuantitativas separadas de varias características del citoplasma y el núcleo, respectivamente. Las celdas en la base de datos fueron cuidadosamente clasificadas en diferentes clases correspondientes de acuerdo con el último sistema de clasificación 2001-Bethesda, por parte de los técnicos. Además de esto, también hemos sido pioneros en aplicar un novedoso sistema de conjunto híbrido a esta base de datos para evaluar la efectividad tanto de la nueva base de datos como de la nueva técnica de conjunto híbrido para detectar el cáncer de cuello uterino mediante la categorización de los datos de la prueba de Papanicolaou. El documento también presenta un análisis comparativo de múltiples algoritmos de clasificación basados en inteligencia artificial para el pronóstico del cáncer de cuello uterino.
Resultados: Para evaluar la efectividad y corrección de la base de datos digital preparada en este trabajo, los autores implementaron esta base de datos para entrenar, probar y validar quince algoritmos diferentes de aprendizaje automático basados en inteligencia artificial. Todos los algoritmos entrenados con esta base de datos presentaron una eficiencia encomiable en la detección del cáncer de cuello uterino. Para el problema de dos clases, todos los algoritmos entrenados con la base de datos digital mostraron eficiencias en el rango de aproximadamente 93-95%, mientras que en el caso de los algoritmos de problemas de clases múltiples expresaron eficiencias en el rango de aproximadamente 69-78%. Los resultados indican que la nueva base de datos digital preparada en este trabajo se puede utilizar de manera eficiente para desarrollar nuevas técnicas basadas en el aprendizaje automático para la detección automática del cáncer de cuello uterino. Los resultados también indican que la técnica de conjunto híbrido es un método eficiente para la clasificación de imágenes de papanicolaou y, por lo tanto, puede usarse de manera efectiva para el diagnóstico de cáncer de cuello uterino. Entre todos los algoritmos implementados, el enfoque de conjunto híbrido superó y expresó una eficiencia de alrededor del 98% para problemas de 2 clases y alrededor del 86% para problemas de 7 clases. Los resultados, en comparación con todos los clasificadores independientes, fueron significativamente mejores para los problemas de dos clases y de varias clases.