«Detección temprana del cáncer de mamas con inteligencia artificial y técnicas basadas en algoritmos de Deep Learning» se denomina la presentación del Trabajo Final de Grado (TFG) que presentó el ahora ingeniero electrónico Miguel Ángel María Lezcano Romero, como última prueba para egresar de la carrera de Ingeniería Electrónica de la Facultad de Ingeniería de la Universidad Nacional de Asunción (FIUNA). La exitosa defensa del trabajo se realizó el lunes 02 de noviembre en la Institución.

Según la Organización Mundial de la Salud (OMS), el cáncer de mama es el tipo de cáncer más común en la población femenina en América Latina y el Caribe. Más de 462 mil nuevos casos son diagnosticados anualmente, lo que representa el 27 % del total de cánceres femeninos y causa alrededor de 100 mil muertes al año. La incidencia de esta enfermedad se encuentra en aumento y para el 2030 se prevé que el número de mujeres diagnosticadas con cáncer de mama aumenta en un 34 %. Este crecimiento se debe a factores como el aumento de la urbanización, el crecimiento en la expectativa de vida, las terapias hormonales y la adopción de estilos de vida poco saludables.

Mediante la observación del tejido mamario, en pelıcula o imagen digital, se pueden encontrar indicios de microcalcificaciones, masas o asimetrıas. Estas anomalıas deberán clasificarse posteriormente, teniendo en cuenta el historial clınico del paciente, en una de seis categorıas según la clasificación BIRADS (Breast Imaging Reporting and Data System). De acuerdo a la categoría asignada, el médico puede recomendar un método más invasivo como la mamografıa de detección o una biopsia, para brindar un diagnóstico definitivo al paciente. El constante avance de la tecnología ha demostrado ser un aliado fundamental del sistema de Salud. Gracias a avances en el área de la visión artificial y el procesamiento de imágenes, las investigaciones referentes a las herramientas de CAD están ayudando a los pacientes a recibir una mejor atención médica.

En el Trabajo Final de Grado se presentó el desarrollo de una herramienta de diagnóstico asistido por ordenador (CAD) de dos etapas. La primera etapa está compuesta por un modelo de red neuronal convolucional llamado U-Net, que segmenta las posibles masas benignas y malignas, separando los pıxeles que las componen del tejido circundante. La segunda etapa está compuesta de un clasificador ResNet50 capaz de identificar la morfología de la masa segmentada en la primera etapa, para clasificarla dentro de la categorıa Breast Imaging Reporting and Data System (BIRADS), lo cual darıa al especialista radiologo una idea más clara sobre su benignidad o malignidad.