Mejora de la precisión y la explicabilidad en la clasificación de lesiones colorrectales con Vision Transformers...

Área de la Ciencia:

• Inteligencia Artificial en Medicina; Visión por Computadora para Endoscopia; Análisis de Imágenes Médicas

Sus antecedentes:

• La evaluación precisa de las lesiones colorrectales es crucial para el tratamiento y la estratificación del riesgo de cáncer.; La clasificación de París ayuda en esta evaluación, pero presenta variabilidad interobservador.; Los transformadores de visión (ViTs) ofrecen potencial pero pueden exhibir atención difusa, lo que dificulta la interpretabilidad.

Objetivo del estudio:

• Investigar si la supervisión de los mapas de atención de ViT con anotaciones expertas mejora la precisión de la clasificación de París.; Mejorar la interpretabilidad de los modelos ViT centrándola en las regiones de lesión relevantes.; Desarrollar un método que mejore simultáneamente el rendimiento de la clasificación y la explicabilidad del modelo.

Principales métodos:

• Se propuso un objetivo de preentrenamiento de Pérdida de Atención Enfocada en Lesiones (L_LFA).; Se utilizaron cuadros delimitadores de pólipos expertos para guiar la atención de ViT hacia las áreas de lesión anotadas.; Se aplicó L_LFA a seis arquitecturas ViT, seguido de ajuste fino de entropía cruzada en el conjunto de datos SUN para la clasificación de París.

Principales resultados:

• El preentrenamiento con supervisión de atención mejoró consistentemente la precisión y la atención centrada en la lesión en todos los modelos ViT.; L_LFA mejoró la precisión de la clasificación de París de tres clases hasta en 7 puntos porcentuales.; L_LFA superó a una línea de base de consistencia de Grad-CAM en 5-13 puntos porcentuales, con una asociación significativa entre la atención enfocada y las predicciones correctas.

Conclusiones:

• La supervisión directa de la atención de ViT con L_LFA aprovecha eficazmente el conocimiento experto.; Este enfoque mejora conjuntamente la precisión de la clasificación de París y la interpretabilidad espacial.; L_LFA demuestra un rendimiento superior en comparación con la regularización de explicaciones basada en Grad-CAM.