Un transformador de visión ligero de doble salida para la clasificación mejorada de nódulos pulmonares utilizando...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Visión por computadora

Sus antecedentes:

• La clasificación de los nódulos pulmonares es crucial para la detección temprana del cáncer de pulmón.
• Los modelos de aprendizaje profundo existentes requieren recursos computacionales significativos.
• Se necesitan métodos eficientes y precisos de clasificación de los nódulos pulmonares.

Objetivo del estudio:

• Evaluar la eficacia de EfficientFormerV2-S2, un transformador de visión ligero, para la clasificación de los nódulos pulmonares.
• Evaluar el rendimiento y la generalización del modelo en múltiples conjuntos de datos.
• Comparar el modelo con los puntos de referencia establecidos.

Principales métodos:

• Se utilizaron tres conjuntos de datos (Institución 1, Institución 2, Zenodo) con diversos tipos de lesiones pulmonares.
• Validación de retención empleada y validación cruzada de cinco veces para una evaluación sólida.
• Implementación de técnicas completas de preprocesamiento y aumento de imágenes.
• Se comparó con el conjunto de datos de PneumoniaMedMNIST utilizando ResNet18 y ResNet50.

Principales resultados:

• Se han alcanzado altas precisiones de prueba: 92,62% (Institución 1), 97,14% (Institución 2), 95,74% (Zenodo).
• Se ha demostrado un rendimiento consistente con una variabilidad mínima en la validación cruzada (SD < 2%).
• Superó los parámetros de referencia de ResNet en PneumoniaMedMNIST (Exactitud: 0,936, AUC: 0,981).

Conclusiones:

• El modelo ligero EfficientFormerV2-S2 presenta un excelente rendimiento y generalizabilidad para la clasificación de nódulos pulmonares.
• La arquitectura de doble salida contribuye a sus sólidas capacidades de diagnóstico.
• Este enfoque basado en transformadores es prometedor para una implementación clínica eficiente.