Learnable Gabor and Wavelet Filters in Deep Learning for Mammographic Breast Cancer Classification: A Systematic Review

Resumen Técnico: Filtros de Gabor y Wavelet Aprendibles en el Aprendizaje Profundo para la Clasificación del Cáncer de Mama Mamográfico

Planteamiento del Problema
Si bien las Redes Neuronales Convolucionales (CNN) han avanzado en el análisis mamográfico del cáncer de mama, sus núcleos estándar aprenden representaciones genéricas que no están explícitamente ajustadas a las firmas orientadas y multiescala de la malignidad, tales como los márgenes espiculados, la distorsión arquitectónica y las microcalcificaciones agrupadas. Además, la naturaleza de "caja negra" del aprendizaje profundo impide la aceptación clínica, la cual requiere un soporte de decisiones que sea tanto preciso como explicable. Aunque la integración de operadores clásicos de procesamiento de señales (filtros de Gabor para la selectividad de orientación/frecuencia y transformadas wavelet para la descomposición multirresolución) en redes profundas ofrece una vía hacia la interpretabilidad y la adaptación basada en datos, este paradigma no ha sido evaluado sistemáticamente. Específicamente, existe una falta de evidencia respecto a la integración conjunta de operadores Gabor y wavelet aprendibles para la estadificación radiológica y patológica multiclasificación.

Metodología
Este estudio es una revisión sistemática realizada de acuerdo con la declaración PRISMA 2020.

• Estrategia de Búsqueda: Los autores buscaron en PubMed, Scopus, IEEE Xplore y Web of Science estudios publicados entre enero de 2010 y mayo de 2026. Los términos de búsqueda combinaron operadores de procesamiento de señales (filtros de Gabor, wavelet, filtros aprendibles), paradigmas de aprendizaje profundo (CNN, DenseNet) y aplicaciones clínicas (mamografía, cáncer de mama, BI-RADS).
• Criterios de Selección: 22 estudios cumplieron con los criterios de elegibilidad. Estos incluyeron:
  1. Estudios que aplican representaciones de Gabor o wavelet directamente a datos mamográficos.
  2. Estudios que introducen o refinan capas de Gabor o wavelet aprendibles dentro de redes neuronales profundas (incluyendo estudios fundacionales fuera de la mamografía para caracterizar las técnicas).
  3. Estudios que proporcionan backbones de aprendizaje profundo o líneas base multiclasificación para comparación.
• Evaluación de Calidad: La calidad del reporte fue evaluada utilizando la Lista de Verificación para la Inteligencia Artificial en Imágenes Médicas (CLAIM), y el riesgo de sesgo fue evaluado utilizando la Herramienta de Evaluación del Riesgo de Sesgo de Modelos de Predicción (PROBAST).
• Síntesis: Debido a la heterogeneidad en los conjuntos de datos, tareas y medidas de resultado (p. ej., precisión, AUC, coeficiente de Dice), la agrupación cuantitativa se consideró inapropiada. En su lugar, se realizó una síntesis cualitativa estructurada, agrupando los estudios por tipo de operador (fijo vs. aprendible) y tarea.

Contribuciones Clave y Hallazgos
La revisión sintetiza el estado del arte respecto a los operadores de procesamiento de señales aprendibles en mamografía:

1. Métricas de Desempeño: Las precisiones de clasificación reportadas en los estudios mamográficos incluidos oscilaron entre el 85.4% y el 98.7%, con Áreas Bajo la Curva Característica Operativa del Receptor (AUC) que variaron de 0.88 a 0.92. Las sensibilidades para los sistemas basados en Gabor y wavelet se agruparon entre el 92% y el 96%.
2. Aprendible vs. Fijo/No Restringido: Donde se compararon con líneas base convolucionales de parámetros fijos o no restringidos, las formulaciones aprendibles (donde los parámetros del filtro como la orientación, frecuencia y ancho de banda se optimizan mediante retropropagación) igualaron o superaron la precisión, mientras redujeron consistentemente el número de parámetros entrenables. Esta eficiencia de parámetros es particularmente relevante para los regímenes de datos pequeños típicos de las cohortes mamográficas anotadas.
3. Brechas de Evidencia:
   • Integración Conjunta: Ningún estudio revisó la integración conjunta de operadores Gabor aprendibles y wavelet aprendibles dentro de un solo backbone.
   • Estadificación Multiclasificación: La estadificación radiológica y patológica multiclasificación (p. ej., categorías BI-RADS) fue abordada solo por arquitecturas que carecen de un front-end de procesamiento de señales parametrizado (p. ej., DenseNet, Vision Transformers).
   • Validación de Dominio: El apoyo metodológico más fuerte para las formulaciones de Gabor aprendibles provino de estudios validados en imágenes hiperespectrales, imágenes naturales y de vasos sanguíneos, en lugar de mamografía. El único estudio mamográfico que empleó capas de wavelet aprendibles abordó la clasificación binaria (benigno vs. maligno).
4. Limitaciones Metodológicas: La revisión identificó deficiencias significativas en el reporte, incluyendo la especificación incompleta de la arquitectura del modelo y los procedimientos de entrenamiento. La validación externa en datos independientes fue reportada en una minoría de los estudios, y la evaluación prospectiva estuvo ausente. La mayoría de los conjuntos de datos fueron retrospectivos y enriquecidos con casos de cáncer.

Significancia y Reivindicaciones
El artículo afirma que los operadores Gabor y wavelet aprendibles integrados dentro de redes neuronales profundas ofrecen un enfoque matemáticamente interpretable y eficiente en parámetros para el análisis del cáncer de mama mamográfico, con un desempeño comparable a los métodos contemporáneos de aprendizaje profundo.

Sin embargo, los autores mantienen una postura modesta respecto al estado actual del campo. Afirman que la evidencia actual se limita a diseños de un solo operador y tareas predominantemente binarias. La intersección específica de usar conjuntamente operadores Gabor y wavelet aprendibles para la clasificación mamográfica multiclasificación y la estadificación patológica sigue siendo una brecha de evidencia no abordada. Los autores concluyen que, si bien las ventajas teóricas (interpretabilidad, eficiencia, robustez a las variaciones de densidad) son claras, el trabajo futuro debe evaluar arquitecturas de filtros aprendibles unificados y restringidos en cohortes ensambladas prospectivamente, validadas externamente y con anotación de estadios, para confirmar estas ventajas en entornos clínicamente significativos.