Estudio comparativo entre arquitecturas de Redes Neuronales Convolucionales para la clasificación de lesiones gastrointestinales

Abstract

El tracto gastrointestinal (GI) humano puede verse afectado por diferentes anomalías o lesiones que van desde pequeñas molestias hasta enfermedades altamente letales. La endoscopia es el procedimiento estándar utilizado para detectar diferentes patologías en el tracto gastrointestinal. Las pequeñas lesiones del tracto gastrointestinal a menudo se pasan por alto durante el procedimiento debido a la dificultad para identificarlas. Esto es importante, ya que estas lesiones pueden ser incluso precursoras del cáncer. En los últimos años, este problema ha sido abordado por técnicas de aprendizaje profundo (DL) y aprendizaje automático (ML), que detectan y clasifican automáticamente las diferentes lesiones y hallazgos patológicos. Las redes neuronales convolucionales (CNN) son el algoritmo más utilizado en DL debido a la alta precisión para modelar fenómenos complejos. Se han propuesto varias CNN como herramienta de diagnóstico asistida por ordenador para la clasificación de lesiones del tracto gastrointestinal. Este trabajo compara cuatro arquitecturas de CNN diferentes: AlexNet, DenseNet-201, Inception-v3 y ResNet-101. Se utilizaron diez tipos de lesiones del tracto gastrointestinal del conjunto de datos HyperKvasir para entrenar y probar estas arquitecturas. Para evaluar el rendimiento de los modelos se utilizaron la exactitud, la precisión, la sensibilidad, la especificidad, la puntuación F1 y el área bajo la curva (AUC). El modelo DenseNet-201 obtuvo un 97,11\% de precisión, un 96,3\% de sensibilidad, un 99,67\% de especificidad y un 95\% de AUC.