Un estudio exploratorio sobre la integración de la radiómica con transformadores de visión para mejorar la precisión...

Área de la Ciencia:

• Inteligencia Artificial
• Análisis de Imágenes Médicas
• Visión por Computadora

Sus antecedentes:

• Los modelos de aprendizaje profundo (DL), particularmente los transformadores de visión (ViTs), muestran una gran promesa en el análisis de imágenes médicas.
• Sin embargo, los ViTs requieren datos extensos y carecen de sesgos inductivos, lo que limita su uso en imágenes médicas.
• La radiómica ofrece características interpretables pero lucha con la escalabilidad y la integración DL.

Objetivo del estudio:

• Desarrollar y evaluar un marco de transformador de visión incrustado de radiómica (RE-ViT).
• Integrar la radiómica con las incrustaciones de ViT a nivel de parche para mejorar la representación de características.
• Mejorar la clasificación de imágenes médicas en conjuntos de datos heterogéneos.

Principales métodos:

• Se diseñó un marco unificado RE-ViT, que combina características radiómicas diseñadas por el hombre con incrustaciones visuales impulsadas por datos.
• Las imágenes de entrada se dividieron en parches; se extrajeron y combinaron características radiómicas e incrustaciones de parches estándar.
• Las incrustaciones combinadas fueron procesadas por un codificador ViT, con un token aprendible para la clasificación final. La evaluación utilizó tres conjuntos de datos (BUSI, ChestXray2017, Retinal OCT) con validación cruzada de 10 pliegues.

Principales resultados:

• El RE-ViT demostró un rendimiento de clasificación robusto y consistente en todos los conjuntos de datos de imágenes médicas probados.
• Logró alta precisión, AUC, sensibilidad y especificidad en los conjuntos de datos BUSI, ChestXray2017 y Retinal OCT.
• El RE-ViT igualó o superó a los modelos CNN e híbridos; los estudios de ablación confirmaron la importancia de las características radiómicas y las incrustaciones aprendidas.

Conclusiones:

• El RE-ViT desarrollado integra eficazmente la radiómica y ViT para la clasificación de imágenes médicas.
• El marco muestra potencial para avanzar en tareas de análisis de imágenes médicas basadas en transformadores.
• Los mapas de atención indicaron la utilización de características específicas de la modalidad y la mejora de la localización de regiones relevantes.