Modelos de aprendizaje profundo basados en transformadores con guía de forma para predecir el cáncer de mama en...

Área de la Ciencia:

• Imagen Médica
• Inteligencia Artificial
• Visión por Computadora

Sus antecedentes:

• La investigación sobre el cáncer de mama utiliza cada vez más modelos Vision Transformer (ViT).
• La guía de atención en los ViT se enfoca en las estructuras anatómicas y la heterogeneidad tumoral.
• Las etapas óptimas de la capa codificadora del transformador para la guía de atención siguen sin estar claras.

Objetivo del estudio:

• Evaluar estrategias de guía de forma en modelos ViT para la detección de cáncer de mama.
• Determinar las mejores combinaciones de capas codificadoras para la guía de atención.
• Comparar los modelos propuestos de Transformador Enmascarado con los métodos convencionales.

Principales métodos:

• Se aplicaron máscaras mamarias al mecanismo de atención de los modelos ViT para enfatizar las dependencias espaciales.
• Se compararon los modelos ViT enmascarados con ResNet50, ViT y SwinT V2.
• Se utilizaron 2,436 imágenes de mamografía de la Base de Datos China de Mamografía.
• Se empleó validación cruzada de tres pliegues con una división de 70% para entrenamiento y 30% para validación.

Principales resultados:

• Los modelos ViT enmascarados que aplican guía en etapas superficiales y profundas lograron el mayor Área Bajo la Curva Característica Operativa del Receptor (AUROC).
• El mejor modelo ViT enmascarado alcanzó un AUROC de 0.885, superando a los modelos convencionales.
• Se logró una sensibilidad de 0.876 y una especificidad de 0.802.

Conclusiones:

• Las estrategias de guía de forma, particularmente cuando se aplican a capas codificadoras de transformadores específicas, mejoran el aprendizaje de representaciones en los modelos ViT.
• Los modelos ViT enmascarados muestran un potencial significativo como herramientas de apoyo a la decisión para el diagnóstico de cáncer de mama.
• La optimización de la guía de atención en los ViT puede mejorar la precisión diagnóstica para tareas de imagen médica.