Clasificación de imágenes gastrointestinales con el modelo CNN GIDNet y la función de activación Tansh no lineal | JoVE Visualize

Área de la Ciencia:

Análisis de imágenes médicas
Inteligencia artificial en la atención médica
Gastroenterología

Sus antecedentes:

Las enfermedades gastrointestinales presentan riesgos sustanciales para la salud, lo que requiere herramientas de diagnóstico mejoradas.
Los métodos actuales para la detección de enfermedades GI pueden mejorarse mediante el procesamiento avanzado de imágenes y la IA.
Existe una brecha en los modelos de IA especializados y las funciones de activación para la clasificación de enfermedades GI y la explicabilidad.

Objetivo del estudio:

Desarrollar un modelo de IA de alta precisión para la clasificación de enfermedades gastrointestinales.
Introducir y evaluar un modelo novedoso de red neuronal convolucional (CNN), GIDNet.
Proponer y evaluar una nueva función de activación, Tansh, para mejorar el rendimiento de la clasificación.

Principales métodos:

Implementación de la novedosa función de activación Tansh dentro de la arquitectura CNN GIDNet.
Entrenamiento y evaluación de GIDNet utilizando el conjunto de datos Kvasir para la clasificación de enfermedades GI.
Análisis comparativo de la función de activación Tansh frente a las funciones existentes en cuanto a precisión y explicabilidad.

Principales resultados:

El modelo GIDNet con la función de activación Tansh logró una precisión de clasificación del 98,75% en el conjunto de datos Kvasir.
El modelo propuesto demostró un rendimiento superior en comparación con los métodos existentes de vanguardia.
Se observó una mejora en la explicabilidad del modelo, abordando una brecha clave en la investigación.

Conclusiones:

El novedoso modelo GIDNet y la función de activación Tansh avanzan significativamente la precisión y la interpretabilidad de la clasificación de enfermedades GI.
Este enfoque impulsado por IA ofrece potencial para el diagnóstico automatizado y la planificación del tratamiento en gastroenterología.
Los hallazgos allanan el camino para soluciones de IA más confiables y explicables en la atención médica.