Imagen Computacional Explicable para Oncología de Precisión: Un Marco de Aprendizaje Profundo Interpretable para el...

Área de la Ciencia:

• Patología computacional
• Inteligencia artificial en oncología
• Análisis de imágenes médicas

Sus antecedentes:

• El cáncer de vejiga es una preocupación de salud global con altas tasas de recurrencia.
• Los métodos de diagnóstico actuales son invasivos, consumen mucho tiempo y son subjetivos.
• Existe la necesidad de herramientas de diagnóstico precisas, eficientes y objetivas.

Objetivo del estudio:

• Desarrollar y evaluar un modelo transparente de aprendizaje profundo para la detección de cáncer de vejiga.
• Mejorar la precisión y eficiencia del análisis de portaobjetos de histopatología.
• Proporcionar soporte visual para predicciones diagnósticas impulsadas por IA.

Principales métodos:

• Entrenamiento y prueba de cinco variantes de la arquitectura de aprendizaje profundo YOLOv11 (nano, pequeño, mediano, grande, extragrande).
• Utilización de un conjunto de datos de portaobjetos de histopatología teñidos con hematoxilina y eosina, clasificados en inflamación, carcinoma de células uroteliales (UCC) y tejido inválido.
• Empleo de métricas de rendimiento que incluyen precisión, precisión, recuperación, AUPRC, ROC-AUC, análisis de riesgo-cobertura y Error de Calibración Esperado (ECE).

Principales resultados:

• El modelo YOLOv11-large logró el mayor rendimiento con 97,09% de precisión, 95,47% de precisión y 95,47% de recuperación.
• Evaluaciones detalladas utilizando AUPRC, ROC-AUC y análisis de riesgo-cobertura confirmaron la solidez y confiabilidad del modelo.
• El modelo demostró una excelente calibración (bajo ECE) e identificó una superposición morfológica potencial entre la inflamación y las muestras inválidas.

Conclusiones:

• El modelo YOLOv11-large representa un avance significativo en el diagnóstico de cáncer de vejiga asistido por IA.
• La naturaleza transparente del modelo proporciona soporte visual, mejorando la confiabilidad y la interpretabilidad.
• Este sistema de IA computacionalmente eficiente y escalable se acerca a la aplicación clínica práctica.