Diagnóstico asistido por IA interpretable de la citopatología del cáncer de tiroides papilar utilizando redes...

Área de la Ciencia:

• Patología computacional
• La inteligencia artificial en la medicina
• La bioinformática

Sus antecedentes:

• El diagnóstico preciso del carcinoma papilar de tiroides (PTC) es crucial para los resultados del paciente.
• Las herramientas actuales de diagnóstico de IA a menudo carecen de interpretabilidad, lo que dificulta su adopción clínica.
• La integración de diversas fuentes de datos puede mejorar la precisión y explicabilidad del diagnóstico.

Objetivo del estudio:

• Desarrollar un enfoque de diagnóstico interpretable asistido por IA para la citopatología del carcinoma tiroideo papilar (PTC).
• Combinar redes neuronales de gráficos (GNN) con gráficos de conocimiento (KG) para mejorar el rendimiento diagnóstico.
• Crear un sistema de apoyo a la decisión clínica (CDSS) para el diagnóstico PTC explicable.

Principales métodos:

• Se analizaron frotis de citología de rutina de 281 casos de PTC.
• El modelo Cascade RCNN detectó características celulares patológicas (núcleos de vidrio de tierra, ranuras nucleares, inclusiones intranucleares).
• Las redes neuronales de gráficos (GNNs) y los gráficos de conocimiento (KGs) se integraron, formando el modelo GINet, junto con un CDSS.

Principales resultados:

• El modelo Cascade RCNN logró una intersección media sobre la unión (mIoU) del 56,14% y una precisión media media (mAP) del 0,87.
• El modelo GINet demostró una mejor precisión de clasificación, alcanzando el 88,84%.
• El CDSS proporcionó resultados diagnósticos explicables mediante la consulta de KG.

Conclusiones:

• El enfoque desarrollado de la IA ofrece una herramienta interpretable y confiable para el diagnóstico PTC.
• La combinación de GNNs y KGs mejora la transparencia y el rendimiento de la IA en citopatología.
• Este método representa un avance significativo en los sistemas de patología asistida por IA para el cáncer de tiroides.