Estrategias innovadoras de múltiples vistas para la detección de cáncer de mama asistida por IA en la mamografía

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• En el campo de la oncología

Sus antecedentes:

• La mamografía es crucial para la detección temprana del cáncer de mama, pero se enfrenta a desafíos con la variabilidad entre lectores y la interpretación de características sutiles.
• Las redes neuronales convolucionales profundas (CNN) ofrecen potencial para la clasificación automática de mamografías, con el objetivo de mejorar la precisión del diagnóstico.

Objetivo del estudio:

• Evaluar las redes neuronales convolucionales profundas (CNN) para la clasificación automática de la mamografía.
• Introducir y evaluar dos nuevas técnicas de integración multivisión: conjunto de doble rama (DBE) y visión dual fusionada (MDV).
• Para probar la generalización del modelo a través de diversos conjuntos de datos de mamografía y sistemas de imágenes.

Principales métodos:

• Análisis comparativo de las arquitecturas CNN más avanzadas (ResNet, DenseNet, EfficientNet, MobileNet, Vision Transformers, VGG19) en seis conjuntos de datos de mamografías.
• Implementación y evaluación de las estrategias de integración multivisión de Dual-Branch Ensemble (DBE) y Merged Dual-View (MDV).
• Pruebas fuera de la muestra utilizando conjuntos de datos específicos para evaluar la generalizabilidad y la robustez del modelo frente al cambio de dominio.

Principales resultados:

• Las estrategias MDV y DBE mejoraron significativamente el rendimiento de la clasificación.
• Bajo el enfoque MDV, VGG19 y DenseNet lograron altas puntuaciones de ROC AUC de 0,9051 y 0,7960, respectivamente.
• En el entorno DBE, DenseNet y ResNet50 lograron puntuaciones de ROC AUC de 0.8033 y 0.8042, lo que demuestra los beneficios de la fusión de múltiples vistas.

Conclusiones:

• Las técnicas de fusión de múltiples vistas (MDV y DBE) mejoran la robustez y la precisión de la clasificación de mamografías basada en CNN.
• Las pruebas de generalización resaltan la necesidad crítica de diversos conjuntos de datos de capacitación para mitigar el impacto del cambio de dominio.
• Los hallazgos proporcionan orientación práctica para desarrollar herramientas de detección de cáncer de mama asistidas por IA confiables y ampliamente aplicables.