EdgeNeXt-SEDP para el diagnóstico de adenocarcinoma cervical asociado y no asociado al VPH y apoyo a la toma de...

Área de la Ciencia:

• Patología digital e inteligencia artificial
• Oncología y subtipos de cáncer
• Análisis de imágenes médicas

Sus antecedentes:

• La heterogeneidad del adenocarcinoma cervical afecta el pronóstico y el tratamiento.
• Los métodos de clasificación actuales (histopatología, IHC, molecular) son subjetivos y requieren mucha mano de obra.
• Se necesita una diferenciación automatizada de los subtipos asociados al VPH (AVHP) y no asociados al VPH (AVNH).

Objetivo del estudio:

• Introducir EdgeNeXt-SEDP, un marco ligero de aprendizaje profundo.
• Permitir la diferenciación automatizada de los subtipos de adenocarcinoma cervical HPVA y NHPVA a partir de imágenes de diapositivas completas (WSIs).
• Mejorar la precisión del diagnóstico y reducir la variabilidad entre los observadores.

Principales métodos:

• Desarrollado EdgeNeXt-SEDP que integra el módulo Squeeze-and-Excitation (SE), el doble agrupamiento y el decaimiento de profundidad estocástico progresivo.
• Entrenado y evaluado en 49 WSIs de 21 pacientes con protocolos estandarizados.
• Comparado con las arquitecturas DilateFormer, RepVIT y EdgeNeXt.

Principales resultados:

• EdgeNeXt-SEDP logró un alto rendimiento: una precisión del 97,63%, una precisión del 97,61%, una especificidad del 96,98% y una puntuación macro-F1 del 97,58%.
• El modelo es computacionalmente eficiente con parámetros de 1.9M y FLOP de 0.2G.
• Los estudios de ablación confirmaron contribuciones significativas de cada módulo, especialmente el módulo SE.

Conclusiones:

• EdgeNeXt-SEDP proporciona una solución de IA escalable y confiable para el subtipo de adenocarcinoma cervical.
• La arquitectura eficiente facilita la integración en entornos clínicos, incluidas las áreas con recursos limitados.
• Esta herramienta de IA ayuda a reducir la variabilidad del diagnóstico y permite un manejo oportuno e individualizado del paciente.