Explicable CNN-Radiomics Fusión y aprendizaje conjunto para la clasificación de lesiones multimodal en radiografías...

Área de la Ciencia:

• Inteligencia artificial en odontología
• Análisis de imágenes médicas
• Radiómica y Fusión de Aprendizaje Profundo

Sus antecedentes:

• Las radiografías periapicas son cruciales para el diagnóstico de la enfermedad de la raíz.
• Los errores de interpretación en las radiografías limitan la precisión del diagnóstico.
• Necesidad de herramientas de diagnóstico mejoradas y fiables en endodoncia.

Objetivo del estudio:

• Desarrollar un marco de IA explicable y multimodal para mejorar la detección de enfermedades en la raíz.
• Para fusionar las incorporaciones profundas de la Red Neural Convolucional (CNN) con los descriptores de textura radiómica.
• Proporcionar explicabilidad de doble capa utilizando los valores Grad-CAM y SHAP.

Principales métodos:

• Utilizó un conjunto de datos de 2285 radiografías periapicas procesadas por seis arquitecturas de CNN.
• Características radiómicas extraídas de píxeles relevantes para la lesión identificados por mapas de calor Grad-CAM.
• Fusionó las incrustaciones de la CNN y las características radiómicas, alimentándolas en los clasificadores Random Forest o XGBoost.
• Se empleó el aumento del tiempo de prueba de cinco vistas (TTA) para una inferencia mejorada.

Principales resultados:

• Las CNNs crudas alcanzaron una precisión de ~52% y un AUC de ~0.60.
• La fusión multimodal mejoró significativamente el rendimiento, alcanzando un 95,4% de precisión y un 0,9867 AUC.
• El modelo de conjunto superior con TTA logró una precisión del 97,16% y un AUC de 0,9914.
• Grad-CAM destacó las regiones periápicas, y los valores SHAP confirmaron las contribuciones de las características comunes.

Conclusiones:

• El marco de IA propuesto integra las incorporaciones de CNN y la radiómica dirigida a la máscara para la detección de lesiones de última generación.
• La explicabilidad de doble capa (Grad-CAM + SHAP) mejora la transparencia y la confianza en las predicciones de la IA.
• Este enfoque multimodal aborda las limitaciones en la precisión del diagnóstico y la interpretabilidad de la enfermedad de la raíz.