Un análisis comparativo de las arquitecturas de aprendizaje profundo para la clasificación del tejido tiroideo con...

Área de la Ciencia:

• Diagnóstico médico
• Análisis biomolecular
• Espectroscopia

Sus antecedentes:

• La imagen hiperspectral (HSI) ofrece potencial en el diagnóstico médico mediante el análisis de la información espectral para la diferenciación biomolecular en los tejidos.
• El análisis de datos HSI de alta dimensión presenta desafíos significativos.
• El aprendizaje profundo, incluidas las redes neuronales recurrentes (RNN) y las redes neuronales convolucionales (CNN), es crucial para el análisis de datos médicos complejos.

Objetivo del estudio:

• Introducir un nuevo enfoque que integre la espectroscopia de micro-transformación de Fourier por infrarrojos (micro-FTIR) con el aprendizaje profundo para la clasificación del tejido tiroideo.
• Comparar el rendimiento de la RNN, la Red Neural Totalmente Convolucional (FCNN) y la 1D-CNN en la clasificación basada en la región de los tejidos tiroideos.
• Evaluar la precisión y exactitud de estos modelos de aprendizaje profundo en la identificación de tipos de tejido tiroideo goiter, canceroso y saludable.

Principales métodos:

• Desarrolló y evaluó tres arquitecturas de aprendizaje profundo: RNN, FCNN y 1D-CNN.
• Se utilizó la espectroscopia microFTIR para obtener datos espectrales de muestras de tejido tiroideo.
• Se utilizó un conjunto de datos de 60 pacientes y se evaluaron modelos utilizando una validación cruzada agrupada de 10 veces para una evaluación robusta del rendimiento.

Principales resultados:

• El modelo 1D-CNN logró la mayor precisión con un 97,60% en la clasificación de los datos espectrales del tejido tiroideo.
• Los modelos RNN y FCNN lograron una precisión del 96,88% y 93,66%, respectivamente.
• El estudio demostró un rendimiento superior de 1D-CNN en la clasificación precisa de tejidos por región.

Conclusiones:

• La integración de la espectroscopia microFTIR y el aprendizaje profundo, en particular 1D-CNN, mejora significativamente la precisión del análisis de la patología tiroidea.
• Este enfoque ofrece una herramienta poderosa para la diferenciación precisa de diversas afecciones del tejido tiroideo.
• Los hallazgos subrayan el potencial del aprendizaje profundo para avanzar en el diagnóstico médico a través del análisis de datos espectrales.