IA explicable para el diagnóstico de cáncer oral: Clasificación multiclase de imágenes histopatológicas y...

Área de la Ciencia:

• En el campo de la oncología
• Patología digital
• La inteligencia artificial en la medicina

Sus antecedentes:

• El diagnóstico del cáncer oral se basa en el examen histológico, que es propenso a la interpretación subjetiva y la variabilidad debido a la heterogeneidad del tumor.
• La variabilidad de la histopatología entre y dentro de los observadores puede afectar a los planes de tratamiento del paciente.
• La inteligencia artificial (IA) ofrece soluciones computacionales para mejorar la precisión y la consistencia del diagnóstico.

Objetivo del estudio:

• Desarrollar y evaluar un enfoque de IA en dos pasos para la clasificación automática de múltiples clases del carcinoma de células escamosas orales (OSCC) utilizando imágenes histopatológicas.
• Aprovechar la visualización Grad-CAM para la interpretabilidad, destacando las regiones de imagen críticas para el diagnóstico impulsado por IA.
• Ayudar a los médicos a hacer diagnósticos más precisos y confiables del CCSO.

Principales métodos:

• Se empleó una metodología de dos pasos, comenzando con una clasificación multiclase basada en IA de imágenes de histopatología oral utilizando la arquitectura Xception.
• El segundo paso involucró Grad-CAM (Gradient-weighted Class Activation Mapping) para visualizar el proceso de toma de decisiones del modelo de IA.
• El rendimiento se cuantificó utilizando métricas de área bajo la curva (AUC), incluyendo AUC_macro y AUC_micro.

Principales resultados:

• La arquitectura Xception demostró un alto rendimiento de clasificación, logrando un AUC_macro de 0,929 (±σ = 0,087) y un AUC_micro de 0,942 (±σ = 0,074).
• Grad-CAM proporcionó con éxito explicaciones visuales, señalando áreas de imagen específicas que informaron las predicciones de diagnóstico de la IA.
• El sistema integrado de IA mostró potencial para reducir la subjetividad diagnóstica en la evaluación del cáncer oral.

Conclusiones:

• Los algoritmos de IA, particularmente la arquitectura Xception, muestran una promesa significativa para la clasificación precisa y consistente del carcinoma de células escamosas orales a partir de imágenes de histopatología.
• La integración de la IA con técnicas de visualización como Grad-CAM mejora la transparencia y la confianza en el diagnóstico.
• Este enfoque impulsado por la IA ofrece una herramienta más precisa, confiable y efectiva para el diagnóstico del cáncer oral, lo que potencialmente mejora los resultados de los pacientes.