Clasificación de cáncer de cuello uterino mediante un nuevo enfoque híbrido

Área de la Ciencia:

• Análisis de imágenes médicas
• Patología computacional
• Inteligencia artificial en la atención médica

Sus antecedentes:

• El cáncer de cuello uterino es una de las principales neoplasias malignas a nivel mundial en mujeres.
• La detección temprana mediante el análisis de Papanicolaou es crucial, pero requiere mucha mano de obra y es propensa a errores.
• La clasificación celular automatizada puede mejorar la precisión y eficiencia del diagnóstico.

Objetivo del estudio:

• Desarrollar y evaluar un nuevo modelo de aprendizaje profundo, CASPNet, para la clasificación automatizada de células cervicales.
• Distinguir entre células cervicales sanas y malignas utilizando técnicas avanzadas de IA.
• Mejorar la precisión y eficiencia del cribado del cáncer de cuello uterino.

Principales métodos:

• Se propuso el modelo CASPNet que integra autoatención de múltiples cabezales, red CSP (Cross-Stage Partial) y capas SPPF (Spatial Pyramid Pooling Fast).
• Se utilizó la autoatención para la información contextual global y los bloques CSP para la extracción eficiente de características locales.
• Se empleó SPPF para la extracción de características multiescala para manejar diferentes tamaños de células.

Principales resultados:

• CASPNet logró una alta precisión del 97,07 % en el conjunto de datos SIPAKMED.
• El modelo demostró una precisión de prueba superior en comparación con los modelos tradicionales de redes neuronales convolucionales (CNN).
• Se logró un rendimiento óptimo con una eficiencia computacional comparable.

Conclusiones:

• CASPNet clasifica eficazmente las células cervicales, ofreciendo una herramienta de diagnóstico más precisa y fiable.
• La integración de autoatención, CSP y SPPF mejora la capacidad del modelo para capturar características globales y locales.
• Este enfoque impulsado por IA muestra una gran promesa para mejorar el cribado y la detección temprana del cáncer de cuello uterino.