Transformer de visión dual con optimización bioinspirada para la clasificación explicable del queratocono

Área de la Ciencia:

• Oftalmología; Inteligencia Artificial; Imagenología Médica

Sus antecedentes:

• El queratocono (KCN) es una enfermedad corneal progresiva que causa pérdida de visión.
• La detección temprana y la estadificación precisa son cruciales para el manejo efectivo del KCN.
• Los mapas topográficos de la córnea son esenciales para el diagnóstico de KCN.

Objetivo del estudio:

• Desarrollar un marco mejorado de aprendizaje profundo para clasificar las etapas del queratocono.
• Mejorar la precisión y confiabilidad del diagnóstico de KCN utilizando IA.
• Proporcionar una herramienta de apoyo a la decisión clínica para oftalmólogos.

Principales métodos:

• Se utilizó un Transformer de Visión Dual (DViT) para la extracción de características de imágenes de la córnea.
• Se empleó el Optimizador de Forrajeo de Anguila Eléctrica (EEFO) para la optimización de hiperparámetros de DViT.
• Se integraron LIME y SHAP para la interpretabilidad del modelo y la visualización de regiones clave de la córnea.

Principales resultados:

• El modelo DViT-EEFO logró un alto rendimiento: 99,2 % de precisión, 99,3 % de recuperación y 99,5 % de precisión.
• Los métodos de interpretabilidad confirmaron que el modelo se enfoca en áreas de la córnea clínicamente significativas.
• El marco propuesto superó a los métodos existentes de clasificación de KCN.

Conclusiones:

• El marco DViT-EEFO ofrece un rendimiento de clasificación superior para el queratocono.
• La interpretabilidad mejorada del modelo aumenta la confianza y la aplicabilidad clínica.
• Esta herramienta de IA muestra un potencial significativo para el diagnóstico temprano del queratocono y la planificación del tratamiento.