Evaluación de la precisión y automatización de técnicas de machine learning en la predicción de enfermedades mediante imágenes médicas

Abstract

El uso de técnicas de Machine Learning (ML) en el análisis de imágenes médicas ha optimizado significativamente el diagnóstico de enfermedades, aumentando la precisión y reduciendo los tiempos de respuesta en comparación con los métodos tradicionales. Esta monografía presenta un análisis comparativo de las principales técnicas de ML, como Redes Neuronales Convolucionales (CNN) y Máquinas de Soporte Vectorial (SVM), evaluando su capacidad para identificar patrones complejos, minimizar errores diagnósticos y mejorar la automatización en la toma de decisiones clínicas. Mediante una revisión sistemática basada en el método PRISMA, se analizaron 30 estudios relevantes, empleando la herramienta QUADAS-2 para evaluar su calidad metodológica. Los resultados revelan que las CNN alcanzan una precisión superior al 90% en la detección de enfermedades como neumonía y cáncer de mama, mientras que las SVM han demostrado una eficacia del 85% en la clasificación de tumores malignos. Además, se identificó que las Redes Generativas Adversarias (GAN) contribuyen a la generación de imágenes médicas sintéticas, facilitando el entrenamiento de modelos en contextos con datos limitados. Este estudio concluye que las técnicas de ML han transformado el diagnóstico médico, ofreciendo herramientas que permiten mejorar la detección temprana de enfermedades y optimizar la carga de trabajo de los profesionales de la salud. Finalmente, se presentan recomendaciones para la integración de estos métodos en entornos clínicos, destacando la necesidad de mejorar la interpretabilidad de los modelos y asegurar su implementación ética y regulada.