Una CNN ligera para el cribado de enfermedades retinianas de varias clases con IA explicable

Área de la Ciencia:

• Oftalmología
• Inteligencia artificial
• Imágenes médicas

Sus antecedentes:

• Los modelos actuales de aprendizaje profundo para la detección de enfermedades de la retina se enfrentan a desafíos con el desequilibrio de clases, los grandes tamaños de los modelos y la falta de transparencia.
• La detección precisa y oportuna de las enfermedades de la retina es crucial para prevenir la pérdida irreversible de la visión.

Objetivo del estudio:

• Desarrollar una red neuronal convolucional ligera y aumentada de atención (CNN) para la detección precisa y transparente de enfermedades de la retina.
• Abordar las limitaciones de los filtros de aprendizaje profundo existentes, incluido el desequilibrio de clases, el tamaño del modelo y el razonamiento opaco.

Principales métodos:

• Se desarrolló una nueva arquitectura de CNN que combinaba convoluciones separables en profundidad, excitación y excitación, y atención de contexto global.
• Se integró el mapeo de activación de clases basado en gradientes (Grad-CAM y Grad-CAM ++) para la explicabilidad a nivel de píxeles.
• Un conjunto de datos de fondo de color de diez clases severamente desequilibrado se reequilibró utilizando la técnica de sobremostración de minorías sintéticas (SMOTE) y aumentos específicos de la tarea.

Principales resultados:

• La red ligera logró una precisión de prueba del 87,9%, superando a Inception-V3 en una reducción de error del 58%.
• Se registraron altas tasas de positivos verdaderos (> 95%) para ocho trastornos, con puntuaciones F1 notables para la cicatriz macular (0,77) y la corioretinopatía serosa central (0,89).
• Los mapas de saliencia resaltaron con éxito las características patológicas clave, validando el proceso de toma de decisiones del modelo.

Conclusiones:

• El reequilibrio de clase dirigido, los mecanismos de atención ligeros y la explicabilidad integrada permiten una detección de retina precisa, transparente y desplegable.
• El modelo desarrollado es adecuado para el triaje oftalmológico en el punto de atención, incluso en hardware de recursos limitados.
• Este enfoque ofrece una solución prometedora para mejorar la detección temprana y el tratamiento de las enfermedades de la retina a nivel mundial.