Redes de agrupamiento dinámico-atentivo: un modelo híbrido ligero y profundo para la clasificación del cáncer de...

Área de la Ciencia:

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

Sus antecedentes:

• El cáncer de pulmón es una de las principales causas de mortalidad, con el diagnóstico desafiado por síntomas tempranos sutiles y hallazgos de imágenes.
• El aprendizaje profundo, particularmente las Redes Neurales Convolucionales (CNN), ha avanzado en el análisis de imágenes médicas, pero los modelos convencionales enfrentan limitaciones.
• La agrupación de primer orden en CNN estándar puede obstaculizar la representación efectiva de características para diagnósticos complejos.

Objetivo del estudio:

• Para superar las limitaciones de las CNN convencionales en la clasificación del cáncer de pulmón.
• Proponer un nuevo y dinámico modelo de aprendizaje profundo, LungSE-SOP, para mejorar el diagnóstico del cáncer de pulmón.
• Mejorar la representación de características y la separación de clases utilizando el agrupamiento de segundo orden (SOP) y las redes de compresión y excitación (SENet).

Principales métodos:

• Desarrolló LungSE-SOP, un nuevo modelo que integra SOP y SENet dentro de una red troncal ResNet50.
• Se introdujo un módulo de mejora de características dinámicas (DFE) para ajustar dinámicamente el flujo de información.
• Entrenado y evaluado el modelo en el conjunto de datos público de cáncer de pulmón IQ-OTH/NCCD.

Principales resultados:

• Se logró una alta precisión en la clasificación de tumores de varias clases: 98,6% para los casos benignos, 98,7% para los malignos y 99,9% para los normales.
• Obtuvo excelentes puntuaciones F1: 99.2% (benigno), 99.8% (maligno) y 99.9% (normal).
• Se ha demostrado una alta precisión y recuperación en todos los tipos de tumores, validada por las curvas ROC y los intervalos de confianza.

Conclusiones:

• El modelo LungSE-SOP mejora significativamente la precisión de la clasificación del cáncer de pulmón en comparación con los métodos convencionales.
• La integración de SOP, SENet y DFE mejora la representación de características y la separabilidad de clases.
• El modelo muestra un gran potencial para el despliegue clínico en el diagnóstico del cáncer de pulmón.