Utilizando redes neuronales convolucionales profundas y clasificación híbrida para el diagnóstico de enfermedades...

Área de la Ciencia:

• Análisis de imágenes médicas
• Inteligencia Artificial en Gastroenterología
• Aprendizaje profundo para sistemas de diagnóstico

Sus antecedentes:

• La endoscopia de cápsula inalámbrica (WCE) proporciona visualización gastrointestinal (GI) no invasiva, pero genera datos extensos, lo que hace que la revisión manual consuma tiempo y sea propensa a errores.
• La detección precisa de las lesiones gastrointestinales requiere una alta sensibilidad y un valor predictivo negativo (VPN) de los sistemas de diagnóstico.
• Los modelos individuales de aprendizaje profundo luchan con la complejidad de clasificar diversas lesiones gastrointestinales en marcos WCE.

Objetivo del estudio:

• Desarrollar un sistema de diagnóstico experto fiable para el análisis del marco WCE utilizando un enfoque de clasificación híbrido.
• Mejorar la precisión de la clasificación de las lesiones gastrointestinales prevalentes superando las limitaciones de los modelos únicos de aprendizaje profundo.
• Mejorar las métricas de rendimiento diagnóstico como la sensibilidad y el VAN para los gastroenterólogos.

Principales métodos:

• Redes neuronales convolucionales profundas entrenadas (DCNNs) en conjuntos de datos WCE equilibrados y no equilibrados.
• Técnicas de aprendizaje conjunto implementadas para crear clasificadores híbridos a partir de DCNN utilizando la puntuación de modelos.
• Se utilizó la puntuación de clase para refinar los límites de decisión dentro de los clasificadores híbridos para mejorar la clasificación de varias clases.

Principales resultados:

• El modelo VG_BFCG, basado en VGG16, logró un retiro del mercado de 0,952 y un VAN de 0,977.
• Los clasificadores híbridos que utilizan puntuación de clase demostraron un rendimiento superior, alcanzando un recuerdo de 0,988 y un VAN de 1,00.
• Un conjunto de datos desequilibrado con más marcos de angiectasia impactó positivamente en las métricas de clasificación en todos los modelos.

Conclusiones:

• La puntuación por clase es crucial para mejorar el rendimiento de la clasificación híbrida de varias clases en el análisis de la ECM.
• El sistema híbrido desarrollado mejora significativamente la precisión del diagnóstico, ofreciendo una alta sensibilidad y VAN.
• Este enfoque impulsado por la IA ayuda a los gastroenterólogos en una interpretación más eficiente y precisa de la ECM.