Detección de Enfermedad Renal Crónica mediante XceptionNet con Optimización Armónica de Addax

Área de la Ciencia:

• Nefrología e Inteligencia Artificial
• Imágenes Médicas y Diagnóstico
• Ciencias Computacionales de la Salud

Sus antecedentes:

• La Enfermedad Renal Crónica (ERC) es un deterioro progresivo de la función renal que conduce a graves complicaciones de salud.
• La detección temprana de la ERC es crucial para prevenir la insuficiencia renal y controlar afecciones secundarias como la hipertensión y la diabetes.
• Los métodos de detección existentes enfrentan desafíos con la generalización y el desequilibrio de clases, lo que dificulta el diagnóstico temprano preciso.

Objetivo del estudio:

• Desarrollar y validar un marco de aprendizaje profundo optimizado para la detección temprana mejorada de la Enfermedad Renal Crónica (ERC).
• Abordar las limitaciones en los métodos actuales de detección de ERC, específicamente los problemas de generalización y desequilibrio de clases.
• Mejorar la precisión y confiabilidad del diagnóstico de ERC para obtener mejores resultados en los pacientes.

Principales métodos:

• Se propuso un marco novedoso de detección de ERC que integra XceptionNet con el Algoritmo de Optimización Armónica de Addax (HAOA).
• El marco empleó normalización sigmoide, fusión de características utilizando una Red de Creencia Profunda (DBN) con una métrica de Soergel y la Técnica Sintética de Superposición de Minorías (SMOTE) para la aumento de datos.
• El algoritmo HAOA se desarrolló combinando el análisis armónico y el Algoritmo de Optimización de Addax (AOA).

Principales resultados:

• El modelo propuesto Xception con HAOA demostró un alto rendimiento en múltiples conjuntos de datos de ERC.
• Se logró una tasa de verdaderos positivos (TPR) del 94,679%, una tasa de verdaderos negativos (TNR) del 92,777% y una precisión general del 93,667%.
• Se reportó una precisión del 92,258% y una puntuación F1 del 93,453%, lo que indica sólidas capacidades de diagnóstico.

Conclusiones:

• El marco de aprendizaje profundo desarrollado ofrece una solución eficaz para el diagnóstico temprano de la ERC.
• La integración de XceptionNet y HAOA mejora significativamente la precisión de la detección y supera las limitaciones existentes.
• Este enfoque tiene el potencial de reducir las tasas de insuficiencia renal y mejorar el pronóstico del paciente mediante una intervención oportuna.