Desde la detección hasta el diagnóstico: una tubería de aprendizaje de transferencia avanzada utilizando YOLO11 con...

Área de la Ciencia:

• Imágenes y diagnósticos médicos
• La inteligencia artificial en la medicina
• Neuro-oncología

Sus antecedentes:

• La detección precisa de tumores cerebrales por resonancia magnética es vital, pero se ve desafiada por la escasez de datos y la complejidad del modelo.
• Los modelos de aprendizaje profundo enfrentan demandas computacionales y heterogeneidad en la morfología del tumor.
• El desarrollo de sistemas de diagnóstico automatizados fiables para los tumores cerebrales sigue siendo un desafío importante.

Objetivo del estudio:

• Proponer un marco de aprendizaje profundo robusto y escalable para la detección y clasificación de tumores cerebrales.
• Mejorar la precisión y eficiencia de los diagnósticos neuro-oncológicos automatizados.
• Desarrollar una herramienta de apoyo a la toma de decisiones clínicas interpretable para su uso en tiempo real.

Principales métodos:

• Utilizó una arquitectura YOLO-v11 mejorada con una estrategia de aprendizaje de transferencia en dos etapas.
• Entrenó un modelo base (BTDM) en un conjunto de datos de resonancia magnética grande, luego lo afinó (BTDS) en un conjunto de datos más pequeño.
• Implementación de aumentos de datos específicos del dominio, incluidas las transformaciones geométricas, para una mejor generalización.

Principales resultados:

• Se obtienen puntuaciones de precisión media (mAP@0,5) altas: hasta el 93,5% para el BTDM y el 91% para el BTDS.
• Superó a los métodos de última generación existentes en varios tipos de tumores (glioma, meningioma, pituitaria).
• Desarrolló un módulo de postprocesamiento para máscaras de segmentación y extracción de métricas clínicas (tamaño, gravedad).

Conclusiones:

• El marco propuesto demuestra un alto rendimiento y solidez en la detección y clasificación de tumores cerebrales.
• El sistema ofrece una mayor interpretabilidad y potencial de despliegue clínico como herramienta de apoyo a la toma de decisiones.
• Este enfoque hace avanzar el diagnóstico neuro-oncológico inteligente en tiempo real.