Evaluación comparativa del aprendizaje profundo y las incorporaciones de modelos de base para la clasificación de...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial
• La ortopedia

Sus antecedentes:

• Los modelos de fundación (FM) ofrecen alternativas flexibles y generalizables al aprendizaje profundo supervisado (DL) sin grandes conjuntos de datos etiquetados.
• La investigación de las incrustaciones de FM frente a la DL supervisada para la clasificación de características radiográficas de la osteoartritis de rodilla es crucial para el avance de las herramientas de diagnóstico.

Objetivo del estudio:

• Comparar el rendimiento de los modelos DL supervisados y las incrustaciones FM preentrenadas en la clasificación de las características radiográficas de la osteoartritis de rodilla.
• Evaluar la eficacia de diferentes modelos, incluidos ResNet18, ConvNeXt-Small, BiomedCLIP y RAD-DINO, para esta tarea de clasificación.

Principales métodos:

• Análisis de 44.985 radiografías de rodilla del conjunto de datos de la Iniciativa de Osteoartritis.
• Entrenamiento de redes neuronales convolucionales (ResNet18, ConvNeXt-Small) y uso de incrustaciones de FM (BiomedCLIP, RAD-DINO) con clasificadores XGBoost.
• Evaluación integral utilizando métricas de clasificación binarias y de varias clases, incluidos el kappa y el AUC de Cohen, y Grad-CAM para la visualización.

Principales resultados:

• Los modelos DL supervisados superaron significativamente los enfoques basados en FM en todas las tareas de clasificación.
• ConvNeXt-Small logró el mayor rendimiento en la predicción de las calificaciones de Kellgren-Lawrence (kappa ponderada de Cohen de 0,880) y las tareas binarias (AUC más alto).
• Los modelos FM (BiomedCLIP, RAD-DINO) mostraron un rendimiento similar; la clasificación de tiro cero de BiomedCLIP logró una precisión del 91,14%, con fallas relacionadas con la calidad de la imagen.

Conclusiones:

• Los modelos DL supervisados, en particular ConvNeXt, demuestran un rendimiento superior para la clasificación de características radiográficas de grano fino en imágenes musculoesqueléticas.
• Los modelos de base son prometedores para las tareas de imágenes auxiliares, pero actualmente son menos efectivos que los DL supervisados para la clasificación de características específicas cuando la representación previa al entrenamiento es limitada.
• Los modelos de DL se centran de manera confiable en regiones clínicamente relevantes, como lo confirman las visualizaciones Grad-CAM, destacando su interpretabilidad y utilidad clínica.