RadioGuide-DCN: Una Red Decorrelacionada Guiada por Radiómica para la Clasificación de Imágenes Médicas

Área de la Ciencia:

• Análisis de Imágenes Médicas
• Inteligencia Artificial en la Sanidad
• Patología Computacional

Sus antecedentes:

• Los métodos de aprendizaje profundo en imagenología médica enfrentan desafíos como el sobreajuste debido a conjuntos de datos limitados.
• Los enfoques radiómicos tradicionales a menudo carecen de especificidad y no logran capturar detalles patológicos complejos.
• La integración de diversas modalidades de imagen (radiografía, ultrasonido, TC, RM) es crucial para un diagnóstico integral.

Objetivo del estudio:

• Desarrollar una innovadora red de clasificación decorrelacionada guiada por radiómica (RadioGuide-DCN) para mejorar el análisis de imágenes médicas.
• Abordar las limitaciones de los métodos existentes de aprendizaje profundo y radiómica tradicional para capturar información patológica compleja.
• Mejorar la capacidad del modelo para discernir detalles locales y patrones globales en imágenes médicas.

Principales métodos:

• RadioGuide-DCN propuesto integra características de radiómica como información previa en redes neuronales profundas.
• Se empleó un mecanismo de pérdida de decorrelación de características y un módulo de fusión de características anti-atención para reducir la redundancia.
• Se utilizó un clasificador Kolmogorov-Arnold Network (KAN) con funciones de activación aprendibles para mejorar el rendimiento.

Principales resultados:

• RadioGuide-DCN logró una precisión del 93,63% en la clasificación de imágenes BUSI.
• El método superó consistentemente a los enfoques convencionales de radiómica y aprendizaje profundo en diversas tareas de imagenología médica.
• Demostró mejoras significativas en la precisión de la clasificación y las puntuaciones del Área Bajo la Curva (AUC).

Conclusiones:

• RadioGuide-DCN ofrece un nuevo paradigma para integrar el aprendizaje profundo con el análisis de imágenes tradicional.
• El método propuesto muestra un amplio potencial de aplicación clínica, especialmente en la detección de tumores y el diagnóstico de enfermedades.
• Este enfoque mejora la capacidad de capturar patrones tanto locales como globales, lo que conduce a una clasificación de imágenes médicas más precisa.