Clasificación automática de células en muestras de citología oral mediante diferentes métodos de aprendizaje profundo

Resumen

El cáncer oral presenta una alta mortalidad debido a diagnósticos tardíos, siendo la citología exfoliativa oral una herramienta clave no invasiva para la detección temprana. Sin embargo, su análisis manual es subjetivo y propenso a errores. Este estudio evalúa el uso del aprendizaje profundo para clasificar células de citología oral en tres categorías: anormales (asociadas a malignidad), sanguíneas (indicadoras de hemorragia) y saludables. Se examinaron seis modelos pre-entrenados: GhostNet-100. EfficientNet-Lite4, Inception-ResNet-v2, CoaTNet-0. MaxViT-Tiny y ViT Base Patch16, y su combinación mediante ensamble, utilizando el conjunto de datos UFSC OCPap con un total de 1934 imágenes. Para optimizar el rendimiento, se implementaron técnicas como el aumento de datos (rotaciones, volteos), Focal Loss y el optimizador SAM para manejar desbalances de clases. Los resultados demostraron que el ensamble superó a los modelos individuales, alcanzando un 84.03% de exactitud balanceada y un F1 del 88% para células anormales (sensibilidad del 87%). Este enfoque mejoró significativamente el estado del arte al superar en un 12% el F1 para células sanguíneas frente a estudios previos. La arquitectura Inception-ResNet-v2 destacó individualmente (83.31% exactitud), mientras que GhostNet-100 ofreció equilibrio entre eficiencia y precisión para entornos con recursos limitados. Estos resultados validan el potencial de los sistemas basados en aprendizaje profundo para optimizar el diagnóstico de cáncer oral, reduciendo falsos negativos en lesiones tempranas y proporcionando una herramienta objetiva de apoyo clínico.