Integración de la IA con imágenes hiperespectrales avanzadas para una clasificación mejorada de enfermedades...

Área de la Ciencia:

• Imágenes médicas y inteligencia artificial
• Gastroenterología y tecnología de diagnóstico

Sus antecedentes:

• Las enfermedades gastrointestinales (GI) como la colitis ulcerosa, los pólipos y la esofagitis requieren una detección temprana para mejores resultados en los pacientes.
• Las imágenes tradicionales de luz blanca (WLI) en endoscopia tienen limitaciones en contraste, lo que dificulta la identificación de anomalías sutiles de la mucosa y los vasos sanguíneos.

Objetivo del estudio:

• Investigar el mecanismo Spectrum-Aided Vision Enhancer (SAVE) para mejorar las imágenes WLI y mejorar la precisión de la detección de enfermedades gastrointestinales.
• Desarrollar un sistema de diagnóstico de inteligencia artificial (IA) basado en el aprendizaje profundo que utilice imágenes mejoradas para la identificación temprana y precisa de enfermedades gastrointestinales.

Principales métodos:

• Transformó las imágenes WLI estándar en representaciones similares a las imágenes hiperespectrales (HSI) utilizando el mecanismo SAVE, creando imágenes similares a las NBI con un contraste mejorado.
• Se utilizó el análisis de componentes principales (PCA) y el análisis de regresión múltiple para la estandarización espectral de las imágenes mejoradas.
• Desarrolló y evaluó modelos de aprendizaje profundo (InceptionV3, YOLOv8x, VGG16) utilizando un conjunto de datos de imágenes mejoradas de WLI y SAVE en cuatro categorías: colitis ulcerosa, pólipos, esofagitis y tejido sano.

Principales resultados:

• La mejora de SAVE mejoró constantemente la precisión de la clasificación de enfermedades en diferentes arquitecturas de aprendizaje profundo.
• InceptionV3 logró una precisión general del 94%, con SAVE mejorando la puntuación F1 para la colitis ulcerosa del 92% al 93%.
• La precisión de YOLOv8x aumentó en un 10% a 89% con SAVE, y la precisión de VGG16 mejoró del 85% al 91%, con ganancias significativas en la puntuación F1 para pólipos.

Conclusiones:

• El mecanismo SAVE ofrece un método práctico e independiente del hardware para generar imágenes de calidad hiperespectral, mejorando significativamente la precisión del cribado gastrointestinal.
• Los sistemas de diagnóstico basados en IA que integran SAVE pueden mejorar la detección temprana y precisa de enfermedades gastrointestinales, lo que conduce a una mejor atención al paciente.
• SAVE proporciona una herramienta valiosa para mejorar la precisión del diagnóstico en aplicaciones clínicas para diversos trastornos gastrointestinales.