Precisión mejorada para la clasificación de imágenes de endoscopia de cápsula de video utilizando múltiples redes...

Área de la Ciencia:

• Gastroenterología
• Imágenes Médicas
• Inteligencia Artificial

Sus antecedentes:

• La endoscopia de cápsula de video (VCE) ayuda a la detección de anomalías del intestino delgado, pero tiene dificultades con volúmenes masivos de imágenes.
• La clasificación actual de imágenes de VCE por IA no ha alcanzado una precisión diagnóstica de grado clínico (>99%).

Objetivo del estudio:

• Desarrollar un sistema de IA de alta precisión para clasificar varias categorías de imágenes de VCE sin límites.
• Superar las limitaciones en el análisis de imágenes de VCE utilizando un enfoque novedoso de aprendizaje por transferencia.

Principales métodos:

• Se empleó un enfoque de aprendizaje por transferencia que utiliza múltiples redes neuronales convolucionales (CNN).
• El sistema extrae automáticamente características sin requerir segmentación de imágenes, ajustando modelos existentes para clasificadores específicos.
• Se combinaron 17 CNN para construir, probar y validar modelos de IA en más de 16 000 imágenes de VCE GI.

Principales resultados:

• El enfoque de aprendizaje profundo combinado de 17 CNN logró una precisión diagnóstica general del 99,79 %.
• Condiciones específicas como sangrado y cuerpos extraños se identificaron con un 100 % de precisión.
• El alto rendimiento se validó mediante matrices de confusión, precisión, recuperación y puntuaciones F1.

Conclusiones:

• Se han desarrollado modelos precisos de aprendizaje profundo de IA para la clasificación de imágenes de VCE sin límites.
• El sistema demuestra potencial para mejorar el diagnóstico de diversas afecciones médicas en la práctica clínica.