Un sistema de IA desplegado en la Web y explicable para el diagnóstico integral de tumores cerebrales

Área de la Ciencia:

• Neuro-oncología
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• El diagnóstico preciso del tumor cerebral es crucial para la planificación del tratamiento en neuro-oncología.
• Los modelos de aprendizaje profundo para la clasificación 2D y la segmentación 3D pueden mejorar los flujos de trabajo radiológicos.
• Las técnicas de IA explicable (XAI) mejoran la interpretabilidad de estos modelos.

Objetivo del estudio:

• Desarrollar una plataforma basada en la web para la segmentación y el diagnóstico de la clasificación de tumores cerebrales.
• Integrar la clasificación 2D y la segmentación 3D mediante el aprendizaje profundo.
• Incorporar IA explicable para una mayor interpretabilidad del modelo.

Principales métodos:

• Se desarrolló un sistema de diagnóstico que combina la clasificación de tumores en 2D (MobileNetV2) y la segmentación volumétrica en 3D (SegResNet).
• Se utilizó un metaclasificador MLP para la detección de tumores binarios.
• La explicabilidad se proporcionó utilizando mapas XRAI y superposiciones gaussianas, integradas en una interfaz web.

Principales resultados:

• El modelo 2D MobileNetV2 logró una precisión del 98,09% para la clasificación de tumores.
• El modelo 3D SegResNet obtuvo coeficientes Dice de 68-70% para las segmentaciones tumorales.
• El módulo de detección de tumores MLP logró una precisión del 100%, con módulos de explicabilidad consistentes con las características patológicas.

Conclusiones:

• El sistema de diagnóstico de aprendizaje profundo mejora la clasificación y segmentación de tumores cerebrales con resultados interpretables.
• La herramienta basada en la web con una interfaz fácil de usar es adecuada para flujos de trabajo de radiología clínica.
• Las técnicas de IA explicables mejoran la utilidad clínica del aprendizaje profundo en neurooncología.