Clasificación interpretable de datos cerebrales endomicroscópicos mediante aprendizaje contrastivo consistente con...

Área de la Ciencia:

• Neurosurgery
• Medical Imaging
• Artificial Intelligence

Sus antecedentes:

• La caracterización precisa del tejido cerebral mediante endomicroscopía confocal láser basada en sonda (pCLE) es crucial para la guía quirúrgica y la resección de tumores.
• Los modelos actuales de aprendizaje profundo para datos de pCLE carecen de interpretabilidad, lo que dificulta la confianza del cirujano.
• Los métodos de clasificación existentes a menudo utilizan la pérdida de entropía cruzada, que puede no optimizar la distinción efectiva de las clases de tejido.

Objetivo del estudio:

• Desarrollar un marco novedoso e interpretable de clasificación de imágenes para la caracterización del tejido cerebral utilizando datos de pCLE.
• Mejorar la precisión, robustez e interpretabilidad de los modelos de IA en neurocirugía.
• Proporcionar a los cirujanos herramientas de IA fiables que ofrezcan información clara sobre la clasificación de tejidos.

Principales métodos:

• Se propuso una pérdida de aprendizaje contrastivo de etiquetas (LCL) para mejorar la similitud intra-categoría y el contraste inter-categoría, generando incrustaciones de datos representativas.
• Se introdujo un módulo de consistencia de saliency (SC) con una capa de agrupación máxima y mínima Top-K (TK-MMP) para la generación de mapas de saliency clínicamente relevantes.
• Se utilizó la media móvil exponencial (EMA) para las incrustaciones globales de categorías de tejido y una capa de inferencia de incrustaciones globales (GEI) para una clasificación robusta mediante similitud de coseno.

Principales resultados:

• El marco propuesto logró un rendimiento de clasificación superior en comparación con los modelos de última generación en datos cerebrales de pCLE tanto ex-vivo como in-vivo.
• Demostró mejoras significativas en la precisión, robustez e interpretabilidad de la clasificación del tejido cerebral.
• Generó mapas de saliency clínicamente relevantes, mejorando la comprensión de las predicciones del modelo.

Conclusiones:

• El novedoso marco LCL y SC proporciona una solución altamente precisa, robusta e interpretable para la caracterización del tejido cerebral utilizando pCLE.
• Este enfoque tiene el potencial de mejorar significativamente la confianza del cirujano y la toma de decisiones en procedimientos neuroquirúrgicos.
• Los métodos desarrollados ofrecen un nuevo estándar para la IA interpretable en aplicaciones de imágenes médicas.