Red neuronal multimodal basada en atención con integridad de cadena de bloques para el diagnóstico fiable de cálculos...

Área de la Ciencia:

• Imagenología Médica
• Inteligencia Artificial
• Tecnología de Cadena de Bloques

Sus antecedentes:

• Los cálculos renales (litiasis renal) obstruyen el sistema renal, lo que puede provocar enfermedad renal crónica e insuficiencia renal.
• La detección temprana de cálculos renales es crucial para prevenir complicaciones irreversibles como cicatrices e insuficiencia renal.
• La ecografía para la detección de cálculos renales enfrenta desafíos debido al ruido de moteado, bajo contraste de tejido y variabilidad anatómica.

Objetivo del estudio:

• Desarrollar una novedosa red multimodal impulsada por atención integrada con cadena de bloques para mejorar la detección de cálculos renales.
• Abordar las limitaciones de la ecografía tradicional en la identificación de cálculos renales.
• Garantizar la privacidad, integridad y auditabilidad de los datos en aplicaciones clínicas utilizando la cadena de bloques.

Principales métodos:

• Se propuso una red multimodal impulsada por atención que integra representaciones de datos globales y locales.
• Se desarrolló un módulo de fusión de atención cruzada con una capa de interpretabilidad para una extracción de características robusta.
• Se utilizó tecnología de cadena de bloques con contratos inteligentes para una gestión de datos segura y auditable.

Principales resultados:

• La red multimodal impulsada por atención logró una precisión diagnóstica del 98,5 % y un AUC del 99,1 %.
• El modelo desarrollado demostró un rendimiento superior en la detección de cálculos renales en comparación con los métodos existentes.
• La integración de la cadena de bloques garantizó la privacidad, integridad y auditabilidad de los datos médicos.

Conclusiones:

• La red multimodal impulsada por atención ofrece una solución segura y confiable para la detección de cálculos renales en la atención médica.
• Este enfoque impulsado por IA mejora significativamente el rendimiento diagnóstico, ayudando en la intervención temprana.
• La cadena de bloques mejora la seguridad y confiabilidad de las aplicaciones de IA en entornos clínicos.