Mejorar la detección del cáncer de pulmón con redes secuenciales convolucionales mejoradas

Área de la Ciencia:

• En el campo de la oncología
• Imágenes médicas
• Inteligencia artificial

Sus antecedentes:

• El cáncer de pulmón es una de las principales causas de mortalidad por cáncer en todo el mundo, por lo que es necesario mejorar los métodos de detección precoz.
• Las técnicas de imagen médica actuales para el diagnóstico del cáncer de pulmón se enfrentan a limitaciones como falsos positivos y negativos.
• Los modelos tradicionales de aprendizaje profundo, como las Redes Neurales Convolucionales (CNN), exhiben una alta complejidad computacional y una inferencia lenta.

Objetivo del estudio:

• Desarrollar una red de plegado secuencial optimizada (SCNN) para una clasificación precisa y eficiente del cáncer de pulmón.
• Para abordar las limitaciones de las CNN tradicionales en términos de velocidad y carga computacional.
• Mejorar la aplicabilidad práctica del aprendizaje profundo en el diagnóstico clínico del cáncer de pulmón.

Principales métodos:

• El modelo SCNN propuesto incorpora tres capas plegables, tres capas de agrupación máxima, capas planas y capas densas.
• El modelo fue entrenado y evaluado en un conjunto de datos de imágenes histológicas que contenían adenocarcinoma, carcinoma benigno y de células escamosas.
• El rendimiento se comparó con los clasificadores tradicionales de CNN, R-CNN y de inicio personalizado.

Principales resultados:

• El modelo SCNN logró una precisión promedio del 95.34% y una puntuación F1 en 60 épocas.
• La precisión de la clasificación alcanzó el 95,66% con un recuerdo del 95,33%.
• El SCNN demostró una velocidad y robustez superiores en comparación con los métodos tradicionales basados en CNN, completando la clasificación en 1000 segundos.

Conclusiones:

• El SCNN presenta una solución práctica y escalable para mejorar la precisión y la eficiencia de la detección del cáncer de pulmón.
• Este enfoque de aprendizaje profundo optimizado ofrece un avance significativo sobre los métodos existentes para la clasificación de imágenes histológicas.
• El rendimiento de la SCNN sugiere su potencial para mejorar la práctica clínica y los resultados de los pacientes en el diagnóstico del cáncer de pulmón.