Enfoque de doble modelo para la detección precisa de la enfermedad torácica utilizando GViT y el transformador V2

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• Radiología

Sus antecedentes:

• La detección precisa y la localización de anomalías en las imágenes radiológicas son críticas para el diagnóstico y la planificación del tratamiento.
• Los radiólogos se enfrentan a desafíos en la identificación y segmentación de enfermedades torácicas debido a los patrones visuales superpuestos en las imágenes de rayos X.
• Los grandes conjuntos de datos anotados son esenciales para desarrollar modelos de diagnóstico confiables.

Objetivo del estudio:

• Proponer un enfoque de inteligencia artificial (IA) de doble modelo para la clasificación y localización precisas de enfermedades torácicas en imágenes de rayos X.
• Aprovechar las arquitecturas basadas en Transformer para mejorar el análisis de imágenes médicas.
• Ayudar a los radiólogos a reducir la carga de trabajo y mejorar la precisión del diagnóstico, especialmente en entornos con recursos limitados.

Principales métodos:

• Se desarrolló un enfoque de doble modelo, utilizando Gated Vision Transformers (GViT) para la clasificación de enfermedades y Swin Transformer V2 para la segmentación y localización.
• El GViT se empleó para identificar enfermedades torácicas con características radiográficas similares.
• Swin Transformer V2 se utilizó para mapear las áreas pulmonares y identificar las regiones afectadas dentro de las imágenes.

Principales resultados:

• Las métricas de clasificación, incluida la precisión, el recuerdo y las puntuaciones F1, superaron el 0,95.
• El modelo de segmentación logró una puntuación alta de Intersección sobre la Unión (IoU) del 90,98%.
• Las evaluaciones de rendimiento utilizando el coeficiente de dados, el puntaje de F1 límite y la distancia de Hausdorff confirmaron la efectividad del sistema.

Conclusiones:

• Las arquitecturas basadas en transformadores muestran una promesa significativa para avanzar en los procedimientos de imágenes médicas.
• La solución de IA propuesta puede ayudar a los radiólogos a mejorar la precisión del diagnóstico y disminuir la carga de trabajo mental.
• Las futuras herramientas de IA deben centrarse en la detección exhaustiva y precisa de enfermedades torácicas para apoyar la toma de decisiones clínicas.