Transformación Optimizada de Unidades Hounsfield para la Clasificación Explicable Específica Temporal de Etapa de...

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial en Medicina
• Neurología

Sus antecedentes:

• La clasificación precisa de accidentes cerebrovasculares isquémicos en TC es un desafío debido a las sutiles diferencias en las imágenes y la variabilidad del escáner.
• La detección temprana es crucial para un tratamiento eficaz y los resultados del paciente.

Objetivo del estudio:

• Desarrollar y validar un marco de red neuronal para la optimización dinámica de los parámetros de mejora de imágenes de TC.
• Lograr la clasificación específica de la etapa del accidente cerebrovascular isquémico (hiperagudo, agudo, subagudo, crónico).

Principales métodos:

• Una red neuronal convolucional (CNN) optimizó las transformaciones de la Unidad Hounsfield (HU) y los parámetros de CLAHE.
• Los datos de entrenamiento incluyeron 1480 casos de TC en cinco etapas, con aumento.
• Se utilizaron clasificadores (LR, SVM, RF) con validación cruzada de 25 veces; se evaluó la interpretabilidad mediante Grad-CAM.

Principales resultados:

• El marco optimizado superó significativamente a los parámetros estáticos en precisión para todas las etapas del accidente cerebrovascular.
• Deep CLAHE logró mayores precisiones (por ejemplo, 0.9979 para crónico) que CLAHE estático.
• La interpretabilidad del modelo confirmó el enfoque en regiones clínicamente relevantes, con adaptación de parámetros consciente de la etapa.

Conclusiones:

• Un marco optimizado por red neuronal ofrece una clasificación superior y específica de la etapa del accidente cerebrovascular isquémico.
• La validación de la interpretabilidad y la adaptación alineada con la fisiopatología proporcionan una solución transparente y clínicamente viable.
• Este enfoque mejora la precisión y la eficiencia de la evaluación de accidentes cerebrovasculares de emergencia.