Mejora de la detección de la embolia pulmonar en las tomografías computarizadas pulmonares con transformadores de...

Área de la Ciencia:

• Análisis de imágenes médicas
• Patología cardiovascular
• Inteligencia artificial en el cuidado de la salud

Sus antecedentes:

• La embolia pulmonar (EP) es una condición cardiovascular crítica y una de las principales causas de mortalidad.
• La detección precisa de la EP es vital para la supervivencia del paciente, pero los desafíos de interpretación de imágenes médicas conducen a un diagnóstico erróneo.
• Los modelos de aprendizaje profundo individuales luchan con conjuntos de datos de imágenes médicas complejos, diversos y desequilibrados.

Objetivo del estudio:

• Desarrollar un marco conjunto de aprendizaje profundo para mejorar la clasificación de la embolia pulmonar.
• Aprovechar las fortalezas complementarias de las redes neuronales convolucionales (CNN) y los transformadores de visión (ViT) para una mayor precisión y robustez.
• Proporcionar una herramienta sólida para la detección temprana de la EP y el apoyo a la toma de decisiones clínicas.

Principales métodos:

• Se desarrolló un marco conjunto que combina los modelos ResNet50, DenseNet121 y Swin Transformer.
• Una tubería de preprocesamiento incluía la reducción de dimensionalidad basada en autoencoder (AE), el aumento de datos, la transformación wavelet discreta (DWT) y el filtrado Sobel.
• El modelo fue evaluado en el conjunto de datos de PE de la Sociedad Radiológica de América del Norte (RSNA-STR).

Principales resultados:

• El modelo conjunto propuesto logró una precisión del 97,80% y un área bajo la curva de funcionamiento del receptor (AUROC) de 0,99.
• Demostró un rendimiento superior en comparación con los modelos previamente entrenados de última generación y los enfoques basados en el transformador de visión (ViT).
• La metodología abordó efectivamente los desafíos en conjuntos de datos de imágenes médicas complejos y desequilibrados.

Conclusiones:

• El marco de aprendizaje profundo conjunto desarrollado mejora significativamente la precisión y la robustez de la detección de la embolia pulmonar.
• Este enfoque ofrece mejoras sustanciales sobre los métodos de aprendizaje profundo de modelo único existentes para el análisis de imágenes médicas.
• Los hallazgos apoyan el potencial de la IA avanzada para mejorar el diagnóstico precoz de la EP y ayudar a la toma de decisiones clínicas.