Modelos DCNN con capacidad de interpretación post-hoc para la detección automatizada de la glositis y el CCSO en la...

Área de la Ciencia:

• Imágenes médicas y inteligencia artificial
• Patología computacional
• Salud digital y telemedicina

Sus antecedentes:

• El diagnóstico automatizado de las afecciones de la lengua es crucial para la detección y el tratamiento tempranos.
• Las redes neuronales convolucionales profundas (DCNNs) ofrecen potencial para el análisis de imágenes clínicas.
• Se necesitan métodos de interpretabilidad para comprender las decisiones de diagnóstico de la IA en la atención médica.

Objetivo del estudio:

• Desarrollar y evaluar modelos DCNN para clasificar la glositis y el carcinoma de células escamosas orales (OSCC) a partir de fotografías de la lengua.
• Incorporar la visualización Grad-CAM para la interpretabilidad del modelo.
• Evaluar el potencial de estos modelos de IA para las aplicaciones de detección temprana y telemedicina.

Principales métodos:

• Ajuste fino de cuatro arquitecturas DCNN preentrenadas (VGG16, VGG19, ResNet50, ResNet152) utilizando el aprendizaje de transferencia en 652 imágenes de lenguaje.
• Utilizando el Grad-CAM y el análisis de escasez para la interpretabilidad del modelo.
• Evaluación del rendimiento diagnóstico utilizando AUROC, con análisis de subgrupos por edad, sexo y segmentación de imágenes.

Principales resultados:

• Los modelos DCNN demostraron un rendimiento robusto en la clasificación de la glositis y el CCSO.
• El conjunto de VGG16 y VGG19 logró el AUROC más alto (0,8731) para la glositis.
• Se observó un rendimiento casi perfecto (AUROC=1.0000) para la detección de CCSO con VGG19 y ResNet152.
• El rendimiento fue consistente en todos los grupos de edad y sexo, con una clasificación de imagen completa que superó la segmentación por parche.

Conclusiones:

• Los modelos DCNN con Grad-CAM proporcionan una clasificación interpretable y precisa de las condiciones de la lengua.
• Estas herramientas de diagnóstico basadas en IA muestran un potencial significativo para la evaluación remota de la salud bucal.
• El estudio apoya el uso de la IA en el diagnóstico de la lengua para la detección temprana y el acceso expandido a la atención médica.