Aprendizaje auto-supervisado explicable para el diagnóstico de imágenes médicas basado en el modelo DINO V2 y la...

Área de la Ciencia:

• La inteligencia artificial en la medicina
• Análisis de imágenes médicas
• Aprendizaje profundo

Sus antecedentes:

• Las imágenes médicas son cruciales para el diagnóstico y la planificación del tratamiento, pero el aumento de los volúmenes ejerce presión sobre la capacidad del radiólogo, lo que lleva a retrasos y errores.
• El aprendizaje profundo (DL) es prometedor para el diagnóstico de imágenes médicas, pero su dependencia de datos etiquetados restringe la aplicación clínica.
• El aprendizaje auto-supervisado (SSL) ofrece una solución para superar los desafíos de etiquetado de datos en la IA médica.

Objetivo del estudio:

• Evaluar el rendimiento de SSL, específicamente DINOv2, en diversos conjuntos de datos de imágenes médicas.
• Comparar los métodos SSL con los modelos tradicionales de aprendizaje supervisado (SL) para el diagnóstico de imágenes médicas.
• Introducir un nuevo marco que aproveche las incorporaciones de DINOv2 para la búsqueda semántica en bases de datos médicas, mejorando los flujos de trabajo clínicos.

Principales métodos:

• Utilizó las incorporaciones de DINOv2 para la búsqueda semántica en bases de datos médicas a través de Qdrant, lo que permite una recuperación eficiente de casos similares.
• Comparó la precisión diagnóstica de los modelos SSL (DINOv2, BYOL, SimCLR) con los modelos SL tradicionales en varios conjuntos de datos de imágenes médicas.
• DINOv2 integrado con ViT-CX, un método de explicación causal adaptado al transformador, para generar mapas de calor clínicamente procesables para la interpretabilidad del modelo.

Principales resultados:

• SSL, especialmente DINOv2, demostró una precisión de diagnóstico superior en comparación con SL tradicional, logrando un alto rendimiento en los conjuntos de datos de cáncer de pulmón, tumor cerebral, leucemia y enfermedad de la retina del ojo.
• El marco DINOv2 permitió una búsqueda semántica eficiente, lo que permitió a los médicos recuperar casos médicos similares rápidamente.
• La combinación de DINOv2 y ViT-CX proporcionó mapas de calor interpretables, destacando los patrones tumorales o celulares, una característica que faltaba en los estudios anteriores de SSL.

Conclusiones:

• El aprendizaje auto-supervisado, particularmente DINOv2, aborda efectivamente las limitaciones de etiquetado de datos en imágenes médicas, ofreciendo una mayor precisión diagnóstica.
• El marco desarrollado integra la búsqueda semántica y la IA interpretable, mejorando significativamente la eficiencia y la confiabilidad del análisis de imágenes médicas.
• Esta investigación allana el camino para herramientas de IA más avanzadas, precisas y clínicamente aplicables en el diagnóstico médico.