Los datos son importantes: el impacto de la curación de datos en la clasificación de conjuntos de datos histopatológicos.

En este estudio, se investiga el impacto de los valores atípicos en el rendimiento de los modelos de aprendizaje automático y aprendizaje profundo, específicamente para el caso de imágenes histopatológicas de cáncer colorrectal teñidas con hematoxilina y eosina. La evaluación del impacto se realiza mediante la comparación sistemática de un modelo de aprendizaje automático (Random Forests) y un modelo de aprendizaje profundo (ResNet-18). Ambos modelos se entrenaron con el popular conjunto de datos NCT-CRC-HE-VAL-100K y se probaron en el conjunto de datos complementario CRC-HE-VAL-7K. A continuación, se realizó un proceso de curación analizando la divergencia de los parches basándose en las características cromáticas, texturales y topológicas del conjunto de entrenamiento y eliminando los valores atípicos para repetir el entrenamiento con un conjunto de datos depurado.

Los resultados mostraron que los modelos de aprendizaje automático pueden beneficiarse más de las mejoras en la calidad de los datos que los modelos de aprendizaje profundo.

Además, los resultados sugieren que los modelos de aprendizaje profundo son más robustos frente a los valores atípicos, ya que, a través del proceso de entrenamiento, las arquitecturas pueden aprender características diferentes a las mencionadas anteriormente.