Aplicación de Machine Learning en el Diagnóstico del Cáncer de Mama: Un Enfoque Basado en Buenas Prácticas

Resumen

El presente artículo tiene como objetivo identificar y describir buenas prácticas en la construcción de modelos de clasificación aplicados al diagnóstico de cáncer de mama, utilizando el conjunto de datos Breast Cancer Wisconsin (Diagnostic). Basado en la revisión de estudios recientes y en la aplicación práctica de técnicas de modelado, se busca ofrecer una guía comprensible para personas que inician en el aprendizaje automático. La metodología se estructuró siguiendo el enfoque SEMMA (Sample, Explore, Modify, Model, Assess), que orientó la selección de variables, la exploración de datos y la validación de modelos. Se implementaron estrategias metodológicas como SelectKBest para la selección de características, validación cruzada anidada para asegurar una evaluación rigurosa, y optimización de hiperparámetros mediante Optuna. Además, se aplicaron procesos de calibración y ajuste de umbral para mejorar la confiabilidad de las predicciones.Los algoritmos analizados incluyeron modelos lineales, basados en árboles, máquinas de soporte vectorial (SVM), K-vecinos más cercanos (KNN), redes neuronales y métodos de ensamble, evaluados con métricas como MCC, AUC-ROC y Brier Score. Los resultados destacaron CatBoost por su discriminación y calibración (AUC-ROC y AUC-PR cercanas a 1, Brier bajo), SVM con ponderación de clases por su equilibrio (F1 y MCC elevados) y XGBoost por su robustez general.