Mejorar la detección temprana de las úlceras del pie diabético utilizando redes neuronales profundas

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Biología computacional

Sus antecedentes:

• Las úlceras del pie diabético son una complicación grave de la diabetes, que a menudo conduce a la amputación si no se detecta a tiempo.
• Los métodos actuales de detección de DFU se enfrentan a desafíos en la complejidad computacional, la generalización y la velocidad de diagnóstico.
• Se necesitan sistemas de detección asistida por ordenador (CAD) avanzados, eficientes y precisos para las unidades de distribución.

Objetivo del estudio:

• Desarrollar un nuevo marco de diagnóstico híbrido para la detección en tiempo real asistida por computadora (CAD) de las úlceras del pie diabético (DFU).
• Mejorar el rendimiento de diagnóstico y la aplicabilidad clínica de los sistemas de detección de DFU.
• Integrar la extracción de características tradicionales con el aprendizaje profundo para mejorar la identificación de DFU.

Principales métodos:

• Utilizó termogramas plantares para identificar asimetrías térmicas indicativas de las primeras DFU.
• BRIEF orientado y rotado combinado (ORB) con bolsa de características (BOF) para la extracción de características artesanales.
• Integró características profundas de las redes neuronales convolucionales (ResNet50, AlexNet, EfficientNet) y las fusionó con características hechas a mano.
• Empleado una red neuronal profunda ligera (DNN) para la clasificación binaria.

Principales resultados:

• Se logró un alto rendimiento diagnóstico: 98,51% de precisión, 100% de precisión, 98,98% de sensibilidad y 1,00 AUC en un conjunto de datos de 1670 imágenes.
• Demostró la superioridad del enfoque híbrido ORB + DL sobre los métodos independientes a través de estudios de ablación.
• Superó a los modelos de última generación (DFU_VIRNet, DFU_QUTNet) en precisión y AUC mientras mantenía la capacidad en tiempo real y un menor costo computacional.

Conclusiones:

• El estudio presenta el primer marco híbrido que integra las características artesanales de ORB con representaciones neuronales profundas para la detección de DFU a partir de imágenes térmicas.
• El modelo propuesto ofrece una alta precisión, robustez y rendimiento en tiempo real, superando a los métodos existentes.
• El marco muestra un potencial significativo para el despliegue clínico efectivo en el diagnóstico temprano de la UDF.