Clasificación de Cáncer de Pulmón Mediante una Red de Fusión Eficaz que Integra Transformers y...

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Oncología

Sus antecedentes:

• La clasificación del cáncer de pulmón a partir de tomografías computarizadas (TC) es un desafío debido a la alta similitud entre clases y las características no tumorales.
• La clasificación precisa de los subtipos de cáncer de pulmón es crucial para una planificación de tratamiento eficaz y los resultados del paciente.

Objetivo del estudio:

• Desarrollar y evaluar una novedosa red de fusión de aprendizaje profundo para mejorar la clasificación de subtipos de cáncer de pulmón.
• Comparar el rendimiento de la red propuesta con los métodos recientes de vanguardia utilizando conjuntos de datos y métricas idénticos.

Principales métodos:

• Se diseñó una red de fusión que integra módulos basados en transformadores y codificadores-decodificadores convolucionales para capturar características multiescala.
• Se introdujo una función de pérdida híbrida para minimizar las diferencias basadas en píxeles e imágenes, al tiempo que se mejora la consistencia regional.
• El modelo se entrenó y validó en tomografías computarizadas para la clasificación de subtipos de cáncer de pulmón.

Principales resultados:

• La red de fusión propuesta logró métricas de alto rendimiento: 96,59% de precisión, 96,68% de recuperación, 96,90% de precisión y 96,65% de puntuación F1.
• El modelo demostró un rendimiento superior en la clasificación de subtipos de cáncer de pulmón en comparación con métodos recientes.
• La red capturó eficazmente características globales y locales para mejorar la clasificación.

Conclusiones:

• La red de fusión desarrollada representa un avance significativo en la clasificación automatizada del cáncer de pulmón a partir de tomografías computarizadas.
• La novedosa arquitectura y la función de pérdida híbrida contribuyen a un rendimiento diagnóstico superior en casos difíciles.
• Este enfoque es prometedor para mejorar la precisión y la eficiencia del diagnóstico del cáncer de pulmón.