Clasificación de tumores cerebrales en imágenes médicas mediante Inteligencia Artificial para el diagnóstico automático

Abstract

El presente trabajo de grado tuvo como objetivo evaluar un modelo de Machine Learning basado en redes neuronales convolucionales (CNN) para la detección y clasificación automática de tumores cerebrales a partir de imágenes de resonancia magnética, con el fin de analizar su precisión y efectividad en un entorno experimental controlado.

La metodología empleada corresponde a una investigación de enfoque cuantitativo y tipo experimental. Para el desarrollo del modelo se utilizó un conjunto de datos de imágenes de resonancia magnética compuesto por cuatro categorías: glioma, meningioma, tumor pituitario y ausencia de tumor. El proceso incluyó etapas de selección y preparación del conjunto de datos, entrenamiento del modelo mediante técnicas de Deep learning, optimización del desempeño y evaluación utilizando métricas objetivas como precisión, matriz de confusión y curva ROC. El desarrollo y las pruebas del modelo se realizaron en un entorno computacional controlado utilizando el lenguaje de programación Python.

Como resultados, se logró desarrollar un modelo de clasificación capaz de identificar y diferenciar los distintos tipos de tumores cerebrales con un nivel de desempeño satisfactorio, superando el umbral de precisión establecido para el proyecto. La aplicación de técnicas de redes neuronales convolucionales permitió una adecuada extracción de características relevantes de las imágenes médicas, evidenciando la viabilidad del uso de modelos de inteligencia artificial como herramientas de apoyo al diagnóstico.

Finalmente, se concluye que los modelos de Machine Learning basados en CNN representan una alternativa efectiva y no invasiva para apoyar el diagnóstico de tumores cerebrales a partir de imágenes de resonancia magnética. Asimismo, los resultados obtenidos respaldan el potencial de estas técnicas como herramientas complementarias en el ámbito clínico, especialmente en contextos donde el acceso a especialistas es limitado, contribuyendo al fortalecimiento de los procesos de diagnóstico asistido por computadora.