Marco de aprendizaje profundo multifase con transformador Swin adaptable multiescala y atención de incrustación para...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial en la atención médica
• Diagnóstico oncológico

Sus antecedentes:

• El cáncer de pulmón es una causa principal de mortalidad, lo que requiere una detección y clasificación precisas de los nódulos pulmonares.
• Los métodos de diagnóstico actuales enfrentan desafíos en precisión, escalabilidad y adaptabilidad.

Objetivo del estudio:

• Desarrollar y validar un marco avanzado de múltiples etapas para la detección, segmentación y clasificación de nódulos pulmonares.
• Mejorar la precisión y eficiencia del diagnóstico de nódulos pulmonares en entornos clínicos.

Principales métodos:

• Se utilizó la mejora de bordes dispersos (SEPE) para el preprocesamiento.
• Se empleó una arquitectura DeepLabv3+ mejorada con ASPP y RBD para la segmentación, integrando backbones EfficientNetV2, DenseNet-201, ResNet-101 e InceptionV3.
• Se implementó un transformador Swin adaptable multiescala (MA-SwinT) con MEAM para la clasificación de nódulos.
• Se optimizaron los hiperparámetros utilizando el algoritmo de optimización Fossa (FOA).

Principales resultados:

• Logró un alto rendimiento de segmentación en los conjuntos de datos LUNA16 (Dice: 98,75%) y LIDC-IDRI (Dice: 98,92%).
• Demostró una precisión de clasificación superior (LUNA16: 99,15%, LIDC-IDRI: 99,40%) en la distinción entre nódulos benignos y malignos.
• El marco mostró altas puntuaciones de precisión, recuperación y F1 en ambos conjuntos de datos.

Conclusiones:

• El marco propuesto de múltiples etapas ofrece una herramienta confiable y precisa para el diagnóstico de nódulos pulmonares.
• Las técnicas avanzadas mejoran la precisión, escalabilidad y adaptabilidad para aplicaciones clínicas.
• Los resultados indican un potencial significativo para mejorar la detección del cáncer de pulmón y los resultados de los pacientes.