Resumen en español

Este trabajo propone el desarrollo y validación de un modelo computacional híbrido para la clasificación de lesiones mamarias, integrando análisis radiómico y aprendizaje profundo. Utilizando mamografías de repositorios abiertos como CBIS-DDSM, se busca optimizar la discriminación entre lesiones benignas y malignas. La metodología se estructura en tres fases secuenciales: primero, la implementación de un clasificador basado en características radiómicas (textura, forma y primer orden) extraídas mediante PyRadiomics, con posterior selección por relevancia y reproducibilidad; segundo, el desarrollo de un modelo de aprendizaje profundo utilizando arquitecturas CNN preentrenadas como ResNet-50, aplicando transfer learning, y técnicas de data augmentation específicas para mamografías; finalmente, la integración de ambos enfoques mediante un sistema de ensamble con técnicas de stacking y un meta-clasificador optimizado por validación cruzada. La evaluación del rendimiento se realizará mediante métricas robustas como sensibilidad, especificidad y área bajo la curva ROC (AUC-ROC), con validación estadística rigurosa. La implementación en Python garantizará la reproducibilidad y la posible transferencia a la práctica clínica, contribuyendo significativamente al campo del diagnóstico asistido por computadora en radiología mamaria.