EndoNet: Un marco de aprendizaje profundo a escala múltiple para la clasificación de enfermedades gastrointestinales...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Gastroenterología

Sus antecedentes:

• Los trastornos gastrointestinales plantean importantes desafíos para la atención sanitaria y requieren herramientas de diagnóstico avanzadas.
• La endoscopia de cápsula inalámbrica (WCE) ayuda a detectar anomalías gastrointestinales, pero es difícil diferenciar lesiones similares.
• Los sistemas de diagnóstico asistido por computadora (CAD) existentes a menudo carecen de la complejidad para analizar diversas características de la enfermedad gastrointestinal.

Objetivo del estudio:

• Desarrollar y evaluar EndoNet, un marco híbrido de aprendizaje profundo (DL) en varias etapas para clasificar ocho tipos de enfermedades gastrointestinales utilizando imágenes de ECM.
• Mejorar la precisión y la interpretabilidad del diagnóstico automatizado de la enfermedad gastrointestinal.
• Proporcionar una solución de IA generalizable para el apoyo a las decisiones clínicas.

Principales métodos:

• Propuso EndoNet, un marco híbrido de DL que integra las características de múltiples redes neuronales convolucionales (CNN) previamente entrenadas (Inception, Xception, ResNet101).
• Utilizó la fusión de características entre capas e intermodelos, la factorización de matriz no negativa (NNMF) para la reducción de dimensionalidad y la relevancia máxima de redundancia mínima (mRMR) para la selección de características.
• Evaluación del rendimiento en los conjuntos de datos de Kvasir v2 y HyperKvasir utilizando siete algoritmos de aprendizaje automático.

Principales resultados:

• EndoNet logró una alta precisión de clasificación, alcanzando hasta el 97,8% en el conjunto de datos de Kvasir v2 y el 98,4% en el conjunto de datos de HyperKvasir.
• El marco demostró una extracción, fusión y selección de características efectivas para el análisis de imágenes GI complejas.
• La combinación de DL e ingeniería de características demostró ser superior a los enfoques CAD tradicionales.

Conclusiones:

• EndoNet integra el aprendizaje de transferencia, la ingeniería de características, la reducción de dimensionalidad y la selección de características para una clasificación precisa de enfermedades GI.
• El marco propuesto ofrece una alta precisión, flexibilidad e interpretabilidad, lo que lo hace adecuado para el apoyo a la toma de decisiones clínicas.
• EndoNet representa una solución de IA poderosa y generalizable para el avance de los diagnósticos gastrointestinales basados en WCE.