ResNet-50 mejorado por optimización de morsa para la predicción de la malignidad renal impulsada por IA con...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Aprendizaje profundo

Sus antecedentes:

• La detección de tumores renales malignos es crucial para los resultados de los pacientes.
• Los modelos tradicionales de aprendizaje profundo requieren optimización para el análisis de imágenes médicas complejas.
• La interpretabilidad y la transparencia son desafíos clave en el diagnóstico médico impulsado por la IA.

Objetivo del estudio:

• Optimizar los hiperparámetros de ResNet-50 utilizando el algoritmo de optimización de Walrus (WaOA) para mejorar la detección de tumores renales malignos.
• Comparar el rendimiento de la ResNet-50 optimizada para WaOA con los modelos convencionales de aprendizaje profundo.
• Mejorar la interpretabilidad y la transparencia del modelo mediante el análisis de la sensibilidad a la oclusión.

Principales métodos:

• Se utilizó un conjunto de datos de 12.446 imágenes de TC abdominales, categorizadas en quiste, normal, piedra y tumor.
• Los modelos ResNet-50, AlexNet, GoogLeNet e Inception V3 fueron entrenados y evaluados.
• El algoritmo de optimización Walrus (WaOA) fue empleado para la sintonización de hiperparámetros de ResNet-50.
• Se realizó un análisis de sensibilidad a la oclusión para la interpretabilidad del modelo.

Principales resultados:

• El ResNet-50 optimizado para WaOA logró una precisión del 94.53%, superando a otros modelos en precisión, recuerdo, puntuación F1 y AUC-ROC.
• El modelo demostró una alta fiabilidad con un MCC de 0,9038 y una baja pérdida de registro de 0,1597.
• El análisis de la sensibilidad a la oclusión proporcionó información sobre las regiones críticas de la imagen que influyen en las decisiones de clasificación.

Conclusiones:

• El ajuste de hiperparámetros basado en metaheurística es efectivo para el aprendizaje profundo en imágenes médicas.
• El ResNet-50 optimizado para WaOA muestra un potencial significativo para la detección precisa y confiable de tumores renales malignos.
• La integración del análisis de sensibilidad a la oclusión garantiza la transparencia y la confiabilidad en el diagnóstico médico asistido por IA.