Aprendizaje profundo impulsado por la optimización de Ocotillo para la clasificación citológica de la médula ósea

Área de la Ciencia:

• Diagnóstico médico
• Biología computacional
• Inteligencia artificial

Sus antecedentes:

• El diagnóstico manual de cánceres hematológicos mediante análisis de frotis de médula ósea es laborioso y propenso a errores.
• La dependencia del conocimiento experto limita los métodos actuales de diagnóstico de la leucemia y otros cánceres de la sangre.

Objetivo del estudio:

• Desarrollar un marco avanzado de aprendizaje profundo para una clasificación precisa y eficiente de las células de la médula ósea.
• Mejorar la fiabilidad del diagnóstico en el cribado hematológico utilizando algoritmos de optimización de inspiración biológica.

Principales métodos:

• Desarrolló una línea de base de red neuronal convolucional (CNN) para la clasificación celular.
• Integrado el algoritmo de optimización de Ocotillo (OcOA) para la selección de características (bOcOA) y la optimización de hiperparámetros (OcOA continuo).

Principales resultados:

• La CNN de referencia logró una precisión del 86.29%.
• La integración de OcOA mejoró la precisión de la CNN al 98.24%, con una sensibilidad de 98.34% y una especificidad de 98.14%.
• Se redujo significativamente el error medio de clasificación, mejorando la fiabilidad del diagnóstico.

Conclusiones:

• Las técnicas de optimización metaheurística, como OcOA, pueden mejorar significativamente la efectividad del modelo de aprendizaje profundo en el diagnóstico clínico.
• El enfoque propuesto ofrece una solución escalable, interpretable y precisa para la citología automatizada y el cribado hematológico.