Fusión de características híbridas en citología del cáncer cervical: un nuevo marco de enfoque de módulo dual para la...

Área de la Ciencia:

• Análisis de imágenes médicas
• Patología computacional
• Inteligencia artificial en la salud

Sus antecedentes:

• La detección del cáncer de cuello uterino se basa en la citología manual, que requiere mucho trabajo y es propensa a la variabilidad.
• El análisis automatizado es necesario para mejorar la precisión y la eficiencia en el diagnóstico citológico.

Objetivo del estudio:

• Desarrollar y validar un marco basado en el aprendizaje profundo para la detección automatizada del cáncer de cuello uterino.
• Mejorar la precisión y la eficiencia del diagnóstico citológico mediante la detección integrada de lesiones, la extracción de características y la clasificación.

Principales métodos:

• Utilizó un conjunto de datos de 4.236 muestras de citología cervical con seis clases de diagnóstico.
• Se emplearon modelos de aprendizaje profundo (Swin Transformer, YOLOv11, R-CNN más rápido, DETR) para la detección de lesiones.
• Extrajo características de radiómica y aprendizaje profundo, optimizadas a través de la reducción de dimensionalidad, para la clasificación utilizando XGBoost, Random Forest, CatBoost, TabNet y TabTransformer.
• Se evaluó un modelo de clasificación de extremo a extremo utilizando EfficientNet y se validó externamente en 3.619 muestras.

Principales resultados:

• Swin Transformer logró el mAP de detección de lesiones más alto (0,94 externo).
• La fusión de características híbridas con TabTransformer produjo una clasificación superior (94,6% de precisión del ensayo, 95,9% de AUC).
• La validación externa confirmó una alta generalización (precisión del 92,8%, AUC del 95,1%).

Conclusiones:

• El marco de IA proporciona una detección de lesiones superior, clasificación de la fusión de características y generalización para el cribado automatizado del cáncer cervical.
• Esta solución escalable puede mejorar la detección temprana del cáncer.
• El trabajo futuro incluye IA explicable, despliegue en tiempo real y validación clínica a mayor escala.