IA mejorada explicable para el diagnóstico de disfunción microvascular coronaria con imágenes multimodales

Área de la Ciencia:

• Cardiología
• Inteligencia Artificial
• Diagnóstico Médico

Sus antecedentes:

• El diagnóstico de la disfunción microvascular coronaria (DMVC) sigue siendo un desafío.
• Los métodos de diagnóstico actuales pueden consumir mucho tiempo y carecer de un análisis exhaustivo.
• Existe la necesidad de herramientas precisas y eficientes para evaluar la DMVC.

Objetivo del estudio:

• Desarrollar y validar un modelo de IA mejorado con explicabilidad, aplicable clínicamente, para el diagnóstico de DMVC.
• Integrar el aprendizaje profundo y el aprendizaje automático multimodal para mejorar la precisión diagnóstica.
• Mejorar la explicabilidad de los modelos de IA en la evaluación de enfermedades cardiovasculares.

Principales métodos:

• Desarrollo del modelo CMVD_MDAS que integra aprendizaje profundo y aprendizaje automático multimodal.
• Segmentación miocárdica automatizada y extracción de características basada en redes neuronales convolucionales.
• Clasificación de características basada en SHAP para mejorar la explicabilidad del modelo, validada en datos clínicos de pacientes.

Principales resultados:

• El modelo CMVD_MDAS logró un excelente rendimiento interno (AUC: 0.999) y una validación externa robusta (AUC: 0.79).
• El modelo de IA superó el rendimiento diagnóstico de médicos y software comercial.
• El tiempo de diagnóstico se redujo en aproximadamente un 90% en comparación con los métodos tradicionales.

Conclusiones:

• La solución de IA mejorada con explicabilidad mejora significativamente la precisión y la eficiencia de la evaluación de DMVC.
• CMVD_MDAS ofrece una nueva herramienta de diagnóstico potencial para la práctica clínica.
• Los modelos explicables impulsados por IA pueden mejorar el diagnóstico y el manejo de enfermedades cardiovasculares.