Diagnóstico de COVID-19 utilizando el monitoreo de datos para preservar la privacidad: un modelo de aprendizaje...

Área de la Ciencia:

• Diagnóstico médico
• Inteligencia artificial
• Tecnología Blockchain

Sus antecedentes:

• La pandemia de COVID-19 destacó las necesidades críticas de diagnósticos rápidos y precisos, gestión segura de datos y privacidad en el cuidado de la salud.
• Los sistemas de diagnóstico actuales se enfrentan a limitaciones en cuanto a transparencia, rendimiento y seguridad de los datos.
• Se necesitan marcos avanzados para abordar estos desafíos en el diagnóstico médico.

Objetivo del estudio:

• Proponer un nuevo marco de diagnóstico para preservar la privacidad, HCTR-MGR, que integre el aprendizaje profundo, la IA explicable (XAI) y la cadena de bloques.
• Mejorar la precisión del diagnóstico, la transparencia y la seguridad de los datos en las aplicaciones de atención médica.
• Abordar las limitaciones de los sistemas de diagnóstico existentes.

Principales métodos:

• Desarrolló un marco de aprendizaje de transferencia de atención convolucional recurrente basado en ResNeXt con optimización modificada de la rata de la caña mayor (HCTR-MGR).
• Aprendizaje profundo integrado (convolucional, recurrente, capas de atención), aprendizaje de transferencia ResNeXt y optimización de MGR.
• Utilizó una cadena de bloques autorizada basada en confianza para el almacenamiento seguro de metadatos y SHAP / LIME para predicciones explicables.

Principales resultados:

• Logró un rendimiento de diagnóstico superior en conjuntos de datos de rayos X de tórax: 98-99% de precisión, 97-98% de precisión, 95-97% de recuerdo, 99% de especificidad y 95-98% de puntuación F1.
• Demostró una mejora de rendimiento del 2-6% con respecto a los modelos convencionales como ResNet, SARS-Net y PneuNet.
• Validación de la eficacia del marco para mejorar la precisión del diagnóstico y la seguridad de los datos.

Conclusiones:

• El marco HCTR-MGR ofrece una solución escalable, segura y clínicamente confiable para los diagnósticos modernos de atención médica.
• La integración de IA, XAI y blockchain mejora significativamente el rendimiento del diagnóstico y la privacidad de los datos.
• El marco propuesto aborda los desafíos clave en el diagnóstico de la atención sanitaria, allanando el camino para el despliegue en el mundo real.