Renal-AI: Una plataforma de aprendizaje profundo para la detección multiescala de características ultraestructurales...

Área de la Ciencia:

• Nefrología
• Imagenología Médica
• Inteligencia Artificial

Sus antecedentes:

• La microscopía electrónica de transmisión (TEM) es crucial para diagnosticar enfermedades renales.
• La interpretación manual de imágenes TEM consume mucho tiempo y es variable.
• La detección automatizada de características ultraestructurales puede mejorar la precisión y la eficiencia diagnóstica.

Objetivo del estudio:

• Introducir y evaluar arquitecturas de aprendizaje profundo basadas en YOLOv8-OBB para la detección automatizada de seis características ultraestructurales clave en imágenes TEM de biopsias renales.
• Refinar la arquitectura YOLOv8-OBB para mejorar la detección de características pequeñas, de bajo contraste y orientadas de forma variable.
• Evaluar la aplicabilidad clínica de estas herramientas de aprendizaje profundo.

Principales métodos:

• Se desarrolló una arquitectura YOLOv8-OBB modificada con un canal de entrada en escala de grises, una pirámide de características P2 de alta resolución con bloques de refinamiento (FPRbl) y un cabezal de detección orientado de cuatro ramas.
• Se compararon dos variantes preentrenadas: un modelo anterior (Pretrained + GSch + 4FExL) y un modelo desarrollado recientemente (Pretrained + FPRbl).
• El rendimiento se evaluó utilizando métricas cuantitativas (puntuación F1, mAP@0.5) y inspección visual experta cualitativa.

Principales resultados:

• Ambos modelos demostraron un fuerte rendimiento, con puntuaciones F1 de 0.93 y 0.92, y puntuaciones mAP@0.5 de 0.953 y 0.941, respectivamente.
• El modelo (Pretrained + GSch + 4FExL) mostró una mayor recuperación para hallazgos sutiles.
• El modelo (Pretrained + FPRbl) produjo cuadros delimitadores más limpios y de mayor confianza.

Conclusiones:

• Los refinamientos arquitectónicos específicos en YOLOv8-OBB mejoran eficazmente la detección de características ultraestructurales desafiantes en imágenes TEM renales.
• Los modelos de aprendizaje profundo desarrollados muestran aplicabilidad clínica para mejorar la eficiencia diagnóstica y reducir la variabilidad interpretativa en patología renal.
• La traducción a una plataforma basada en web (Renal-AI) demuestra la utilidad práctica de estas herramientas de IA.