Detección Temprana de Tuberculosis mediante Modelos Profundos Adaptativos y Privados

Área de la Ciencia:

• Inteligencia Artificial
• Imágenes Médicas
• Salud Pública

Sus antecedentes:

• La tuberculosis (TB) representa un desafío de salud global, especialmente en áreas con experiencia radiológica limitada.
• La detección temprana y precisa de la TB a partir de radiografías de tórax es crucial para un tratamiento y control eficaces.
• El entrenamiento centralizado de modelos de aprendizaje profundo plantea preocupaciones de privacidad y puede no generalizar bien en conjuntos de datos diversos.

Objetivo del estudio:

• Desarrollar un sistema de aprendizaje profundo escalable y que preserve la privacidad para la identificación temprana de tuberculosis mediante imágenes de radiografía de tórax.
• Implementar el aprendizaje federado con un conjunto adaptativo ponderado optimizado por un Algoritmo Genético (GA) para superar las limitaciones del entrenamiento centralizado y los enfoques de modelo único.
• Mejorar la robustez del modelo y reducir el sesgo mediante la aumentación controlada y el aprendizaje de conjuntos.

Principales métodos:

• Se desarrolló un enfoque de aprendizaje de conjuntos que combina múltiples modelos entrenados localmente.
• Un Algoritmo Genético (GA) optimizó un conjunto adaptativo ponderado para una contribución óptima del modelo.
• El aprendizaje federado permitió el entrenamiento colaborativo entre instituciones, preservando la privacidad de los datos del paciente al transmitir solo los parámetros del modelo.

Principales resultados:

• El conjunto federado optimizado por GA superó significativamente a los modelos individuales y a los conjuntos de pesos fijos.
• El sistema logró una precisión del 98%, una puntuación F1 del 97% y un AUC de 0.999, demostrando un alto rendimiento diagnóstico.
• El aprendizaje federado garantizó la robustez del modelo en fuentes de datos heterogéneas, manteniendo al mismo tiempo la privacidad completa del paciente.

Conclusiones:

• El conjunto federado propuesto y optimizado por GA proporciona una detección temprana de tuberculosis altamente precisa y robusta.
• El sistema preserva eficazmente la privacidad del paciente en sitios clínicos distribuidos.
• Este marco escalable muestra un potencial significativo para el cribado de TB asistido por IA en entornos de atención médica con recursos limitados.