| dc.description.abstract | El cáncer de la piel es uno de los tipos de cáncer más comunes. Es también uno de los más tratables si es diagnosticado a tiempo. Los metadatos de los pacientes han mostrado ser útiles en la tarea de clasificación automática de lesiones de la piel. Sin embargo, no ha habido un análisis a fondo sobre qué metadatos son más relevantes para esta tarea. En este trabajo, investigamos el impacto que los metadatos de los pacientes tiene en la clasificación de lesiones de la piel. Además, analizamos qué metadatos son más relevantes. Llevamos a cabo estas tareas entrenado 17 modelos de aprendizaje profundo en combinación con 3 métodos de fusión en dos bases de datos de acceso público: PADUFES20 compuesta de imágenes clínicas, e ISIC2019 compuesta de imágenes dermoscópicas. También entrenamos estos modelos usando diferentes combinaciones de subconjuntos de los metadatos de forma de poder determinar la importancia de cada combinación. Para la base PADUFES20, los modelos entrenados usando imágenes y metadatos mostraron en promedio una exactitud balanceada ∼ 10.43% más alta que los experimentos base. Para la base ISIC2019, la diferencia fue ∼ 2.22%. Concluimos que la tarea de clasificación usando la fusión de imágenes y metadatos tiene mejor desempeño que tanto los experimentos realizados solo con imágenes, y los realizados sólo con metadatos. Los resultados también muestran que la edad en la base ISIC2019, y los metadatos que describen la lesión en la base PADUFES20, son relativamente más relevantes. Para investigaciones futuras, hacemos accesible nuestra implementación de los modelos, que tiene como fin ser una herramienta flexible para problemas que requieran la fusión de imágenes con metadatos. | |
