El “Machine Learning” (Aprendizaje de máquinas o automatizado) ha ido avanzando en los últimos años. Una de las raíces de este automatismo es el “Deep Learning” (Aprendizaje profundo), que utiliza las matemáticas, las ciencias de la computación y la neurociencia con la finalidad de que un conjunto de algoritmos de aprendizaje pueda resolver problemas.
La investigación “Deep Learning to Improve Breast Cancer Detection on Screening Mammography”, publicado este año por la revista científica Nature, ha desarrollado un algoritmo de aprendizaje para detectar con precisión el cáncer de mama. Este algoritmo aprovecha de una forma eficiente los diversos datos de entrenamiento obtenidos a través de informaciones de distintas clínicas sobre los cánceres de mama.
El equipo de investigadoras e investigadores ha desarrollado este método de red para clasificar las mamografías de detección y ha superado a métodos anteriores. Así se va evolucionando desde el artículo científico, publicado en 2016, titulado “Deep Learning for Identifying Metastatic Breast Cancer”, que fue realizado por un equipo conformado por miembros de la Universidad de Harvard, el MIT y Beth Israel Deaconess Medical Center.
Este avance facilita que haya un conjunto de información digitalizada en la base de datos INbreast FFDM que permite precisar las plataformas de mamografías y es muy prometedor para mejorar las herramientas clínicas con la finalidad de reducir los resultados de los falsos positivos y falsos negativos.
