Un marco de aprendizaje profundo de doble corriente para la clasificación del cáncer de piel utilizando la extracción...

Área de la Ciencia:

• Dermatología e Inteligencia Artificial
• Patología computacional
• Análisis de imágenes médicas

Sus antecedentes:

• El cáncer de piel, especialmente el melanoma, es un problema de salud mundial.
• Los métodos de diagnóstico actuales se enfrentan a limitaciones en cuanto a precisión, objetividad y disponibilidad de recursos.
• La detección temprana es crucial para el tratamiento eficaz del melanoma y para mejorar las tasas de supervivencia de los pacientes.

Objetivo del estudio:

• Desarrollar y evaluar un nuevo marco de aprendizaje profundo de doble corriente para un diagnóstico preciso y eficiente de las lesiones cutáneas.
• Integrar las características heredadas histopatológicas y basadas en la visión para un análisis integral de la lesión.
• Superar las limitaciones de los métodos de diagnóstico tradicionales en la detección del cáncer de piel.

Principales métodos:

• Un marco de aprendizaje profundo de flujo dual que utiliza U-Net para la segmentación.
• Extracción de características a través de Virchow2 (incorporaciones histopatológicas) y Nomic (características basadas en la visión).
• Fusión de las características seguida de la clasificación mediante un perceptrón multicapa (MLP) en el conjunto de datos HAM10000.

Principales resultados:

• Se obtuvo una precisión media del 96,25% y una puntuación media de F1 del 93,79% en 10 ensayos.
• Los estudios de ablación confirmaron la contribución crítica de ambas corrientes de características.
• El marco propuesto demostró un rendimiento superior en comparación con los métodos de una sola modalidad existentes.

Conclusiones:

• El marco de aprendizaje profundo de doble corriente ofrece una solución robusta e interpretable para el diagnóstico del cáncer de piel.
• Este enfoque tiene el potencial de mejorar significativamente las aplicaciones clínicas para la detección temprana y precisa de lesiones cutáneas.
• El estudio destaca la eficacia de combinar diversos métodos de extracción de características para mejorar la precisión del diagnóstico.