Evaluación de una red neuronal basada en transfer learning para el diagnóstico temprano del cáncer de cuello uterino

Abstract

El cáncer de cuello uterino es una de las principales causas de mortalidad en mujeres a nivel mundial, por lo que resulta necesario investigar y desarrollar herramientas tecnológicas que fortalezcan su detección temprana. El presente estudio tiene como objetivo evaluar una red neuronal basada en transfer learning para mejorar el diagnóstico temprano del cáncer de cuello uterino mediante la clasificación de imágenes citológicas en cuatro categorías: high squamous intraepithelial lesion, low squamous intraepithelial lesion, negative for intraepithelial malignancy y squamous cell carcinoma. La investigación es de tipo tecnológica, con enfoque cuantitativo y diseño no experimental, empleando los modelos EfficientNetB0, DenseNet121, MobileNetV2 y ResNet50V2. En una primera fase, sin aplicar transfer learning, los modelos alcanzan precisiones inferiores al 80 %. Al incorporar transfer learning y fine-tuning, los resultados mejoran notablemente, obteniendo un 97.83 % de precisión y un F1-macro de 0.9491 con el modelo EfficientNetB0. Finalmente, al incluir data augmentation, el modelo EfficientNetB0 presenta una ligera disminución de precisión de 94.30 %, aunque mantiene un alto AUC-macro de 0.9950. Por lo tanto, se concluye que la combinación de transfer learning y fine-tuning favorece la clasificación de imágenes citológicas, evidenciando la eficacia de las redes neuronales profundas en la detección temprana del cáncer cervicouterino, mientras que el data augmentation contribuye a mejorar la robustez y el equilibrio de clases, a costa de una leve reducción en la precisión global.