Un marco híbrido de swin transformer-BiLSTM y aprendizaje de conjuntos para la detección multimodal de accidentes...

Área de la Ciencia:

• Análisis de imágenes médicas
• Inteligencia artificial en la atención médica
• Neurología

Sus antecedentes:

• El accidente cerebrovascular es una de las principales causas de muerte y discapacidad a nivel mundial, lo que requiere un diagnóstico temprano para mejorar los resultados de los pacientes.
• Los métodos de diagnóstico actuales para el accidente cerebrovascular pueden consumir mucho tiempo y beneficiarse de la automatización impulsada por la IA.
• La integración de datos multimodales ofrece potencial para una evaluación más completa de los accidentes cerebrovasculares.

Objetivo del estudio:

• Desarrollar y validar un marco de IA multimodal para la detección automatizada de accidentes cerebrovasculares y la predicción de riesgos.
• Integrar el transformador híbrido Swin-Bidireccional Long Short-Term Memory (SwinT-BiLSTM) para el análisis de imágenes y el aprendizaje de conjuntos para datos clínicos.
• Mejorar la interpretabilidad de los modelos de IA en el diagnóstico de accidentes cerebrovasculares utilizando técnicas de IA explicable (XAI).

Principales métodos:

• Se utilizaron dos conjuntos de datos de tomografía computarizada (TC) de accidentes cerebrovasculares cerebrales (BrSCTHD-2025 y Kaggle) y un conjunto de datos tabulares clínicos.
• Se desarrolló un modelo híbrido SwinT-BiLSTM para la extracción de características espaciales y secuenciales de imágenes de TC.
• Se empleó un clasificador de aprendizaje de conjuntos para la predicción del riesgo de accidente cerebrovascular utilizando parámetros clínicos y de estilo de vida.

Principales resultados:

• El modelo SwinT-BiLSTM logró una precisión del 98 % (AUC 1.00) en BrSCTHD-2025 y una precisión del 97 % (AUC 0.99) en el conjunto de datos de Kaggle.
• Superó a SwinT independiente en un 2,5 % y a los modelos CNN (VGG16, ResNet50) en un 3-4 %.
• El clasificador de conjunto logró una precisión del 80,36 %, identificando factores de riesgo clave como enfermedades cardíacas y colesterol alto.

Conclusiones:

• El marco propuesto SwinT-BiLSTM-Ensemble proporciona una detección de accidentes cerebrovasculares y una evaluación de riesgos precisas e interpretables.
• El estudio destaca la efectividad de la IA multimodal en la mejora de la toma de decisiones clínicas para el accidente cerebrovascular.
• El marco ofrece una base sólida para la aplicación clínica en el mundo real en el diagnóstico y manejo de accidentes cerebrovasculares.