Detección Eficiente y Precisa de Neumonía Mediante un Novedoso Enfoque de Transformador Multi-Escala

Área de la Ciencia:

• Inteligencia Artificial
• Imágenes Médicas
• Diagnóstico Asistido por Computadora

Sus antecedentes:

• La neumonía es una importante preocupación de salud mundial, que causa una morbilidad y mortalidad significativas.
• Las radiografías de tórax son cruciales para el diagnóstico de neumonía, pero enfrentan desafíos de interpretación debido a la variabilidad de la imagen.
• Los sistemas automatizados pueden mejorar la consistencia del diagnóstico y apoyar las decisiones clínicas en la detección de neumonía.

Objetivo del estudio:

• Desarrollar un novedoso enfoque de transformador multi-escala para la segmentación pulmonar integrada y la clasificación de neumonía.
• Mejorar la precisión y eficiencia de la detección automatizada de neumonía a partir de radiografías de tórax.
• Crear un modelo computacionalmente eficiente adecuado para entornos clínicos con recursos limitados.

Principales métodos:

• Se utilizó un TransUNet mejorado con transformador ligero para una segmentación pulmonar precisa (puntuación Dice del 95,68%).
• Los modelos ResNet pre-entrenados (ResNet-50, ResNet-101) extrajeron características multi-escala para la clasificación.
• Un Módulo de Atención Residual Convolucional y un transformador modificado procesaron las características para mejorar la detección de neumonía.

Principales resultados:

• El método propuesto logró una precisión del 93,75% en el conjunto de datos Kermany y una precisión del 96,04% en el conjunto de datos Cohen.
• El componente de segmentación pulmonar demostró un alto rendimiento con menos parámetros que los transformadores tradicionales.
• El enfoque integrado superó a los métodos existentes en precisión de detección de neumonía y eficiencia computacional.

Conclusiones:

• El novedoso enfoque de transformador multi-escala ofrece una solución robusta y eficiente para la detección de neumonía.
• El marco unificado para la segmentación y la clasificación mejora la fiabilidad del diagnóstico en imágenes médicas.
• Este método impulsado por IA muestra una promesa para mejorar los resultados de los pacientes y apoyar los flujos de trabajo clínicos en el diagnóstico de neumonía.