Técnicas de modelos híbridos basados en el aprendizaje inductivo y de transferencia para el diagnóstico preciso y...

Área de la Ciencia:

• Análisis de imágenes médicas
• Inteligencia artificial en el cuidado de la salud
• Diagnóstico neurológico

Sus antecedentes:

• El diagnóstico preciso y oportuno de trastornos neurológicos como los tumores cerebrales y la enfermedad de Alzheimer (EA) es fundamental.
• Los métodos de diagnóstico actuales pueden consumir mucho tiempo y pueden carecer de la precisión necesaria para una intervención temprana.
• Los sistemas avanzados de apoyo a la decisión asistida por ordenador son esenciales para mejorar los flujos de trabajo de diagnóstico.

Objetivo del estudio:

• Introducir NeuroDL, un nuevo marco de aprendizaje profundo para la detección automatizada de tumores cerebrales y la enfermedad de Alzheimer mediante resonancia magnética.
• Mejorar la precisión del diagnóstico y la eficiencia en las evaluaciones neurológicas.
• Proporcionar un modelo de diagnóstico unificado de enfermedades duales que aproveche el soporte de decisiones avanzado asistido por computadora.

Principales métodos:

• Utilizó redes neuronales convolucionales (CNN) entrenadas en conjuntos de datos de resonancia magnética anotados.
• Implementó una tubería de preprocesamiento optimizada que incluye normalización, extracción de cráneo y aumento de datos.
• Utilizó técnicas de transferencia de aprendizaje y ajuste fino para mejorar la generalización del modelo.

Principales resultados:

• Logró una precisión del 96,8% para la detección de tumores cerebrales y del 92,4% para el diagnóstico de la enfermedad de Alzheimer.
• Las métricas de alto rendimiento reportadas, incluidas las puntuaciones de F1, la precisión y el recuerdo, superan a los puntos de referencia de última generación.
• Ganancias de rendimiento demostradas y validadas estadísticamente para el modelo de diagnóstico de doble enfermedad.

Conclusiones:

• NeuroDL muestra un potencial significativo para el despliegue clínico en tiempo real en el diagnóstico neurológico.
• El marco aborda las limitaciones de los sistemas de diagnóstico asistido por ordenador (CAD) existentes ofreciendo un enfoque unificado.
• NeuroDL allana el camino para un diagnóstico neurológico confiable, escalable y automatizado a través del aprendizaje profundo.