PASAformer: Clasificación de Enfermedades Cerebrovasculares con Adaptador Médico Guiado Previo y Atención Escasa...

Área de la Ciencia:

• Análisis de imágenes médicas análisis de imágenes médicas.
• Inteligencia artificial en el cuidado de la salud.
• Neurología y medicina vascular.

Sus antecedentes:

• Las enfermedades cerebrovasculares (ECV) plantean importantes desafíos para la salud pública, lo que requiere una clasificación precisa para un tratamiento efectivo.
• Los métodos actuales de diagnóstico asistido por computadora (CAD) para las ECV luchan con una representación limitada, redundancia de características y mala interpretabilidad.
• La angiografía de sustracción digital (DSA) es una modalidad de imagen clave para el diagnóstico de ECV, pero el análisis automatizado sigue siendo un desafío.

Objetivo del estudio:

• Desarrollar y evaluar PASAformer, un nuevo marco basado en Swin-Transformer para la clasificación automatizada de enfermedades cerebrovasculares utilizando DSA.
• Introducir un módulo de atención escasa consciente de la patología (PASA) para mejorar el enfoque en las regiones patológicas relevantes y mejorar la eficiencia computacional.
• Establecer CDSA-NEO, el primer conjunto de datos de referencia a gran escala para la clasificación de enfermedades cerebrovasculares a partir de imágenes de DSA.

Principales métodos:

• PASAformer utiliza una columna vertebral Swin-Transformer integrada con un módulo de atención escasa consciente de la patología (PASA), que reemplaza la autoatención estándar para mejorar la eficiencia.
• La técnica de aumento de datos MiAMix se emplea para aumentar la diversidad de las muestras de capacitación.
• Un codificador de adaptador combinado incorpora los antecedentes anatómicos del Modelo de Segmento Médico Cualquier cosa (MED-SAM) para aumentar el rendimiento bajo supervisión limitada.

Principales resultados:

• PASAformer demostró una precisión competitiva y una precisión equilibrada en el conjunto de datos CDSA-NEO y los conjuntos de datos vasculares públicos en comparación con los modelos de última generación.
• El módulo PASA enfatiza efectivamente las regiones relacionadas con la lesión y suprime el ruido de fondo, lo que lleva a explicaciones visuales más enfocadas.
• El marco mostró robustez en flujos de trabajo temporales realistas cuando se evaluó en una cohorte externa de carreras angiográficas.

Conclusiones:

• PASAformer ofrece una solución prometedora para la clasificación automatizada de enfermedades cerebrovasculares en DSA, mejorando los métodos CAD existentes.
• El conjunto de datos de CDSA-NEO sirve como un recurso valioso para avanzar en la investigación y el desarrollo en el análisis automatizado de CVD.
• El marco propuesto tiene el potencial de apoyar la toma de decisiones clínicas y mejorar los resultados de los pacientes a través de un diagnóstico oportuno y preciso.