MoRE-Net: Un modelo interpretable y robusto para la modalidad de clasificación de tumores cerebrales

Área de la Ciencia:

• La inteligencia artificial en la medicina.
• Análisis de imágenes médicas Análisis de imágenes médicas.
• Aprendizaje automático para el diagnóstico.

Sus antecedentes:

• La inteligencia artificial (IA) confiable requiere tanto de interpretabilidad como de robustez, especialmente en aplicaciones de diagnóstico médico crítico.
• Los modelos de IA interpretables existentes a menudo carecen de robustez, particularmente cuando se trata de modalidades de datos incompletas o faltantes.
• Mejorar la resiliencia de los modelos de diagnóstico interpretables a los datos faltantes es crucial para la adopción clínica.

Objetivo del estudio:

• Mejorar la robustez de los modelos de diagnóstico de imagen médica multimodal interpretables bajo condiciones de modalidad perdida.
• Desarrollar un nuevo marco de IA que mantenga la precisión del diagnóstico y la interpretabilidad a pesar de las brechas de datos.
• Para abordar el desafío de la ausencia de interacción intermodalidad en la IA de diagnóstico multimodal.

Principales métodos:

• Proponer la red robusta y explicable por modalidad (MoRE-Net), utilizando codificadores por modalidad y una arquitectura Mamba para un modelado eficiente del contexto global.
• Introducir un maestro multimodal en línea para guiar a los codificadores por modalidad a través de la pérdida de alineación durante las primeras etapas de capacitación.
• Evaluar MoRE-Net en los conjuntos de datos BraTS2020 y ReMIND para la clasificación de tumores cerebrales, evaluando el rendimiento con precisión equilibrada (BAC) e interpretabilidad con precisión de activación (AP).

Principales resultados:

• MoRE-Net logró una precisión media equilibrada (BAC) del 73,5% y una precisión de activación (AP) del 61,2% en todos los escenarios de modalidad perdida en el conjunto de datos BraTS2020.
• El modelo superó los métodos de referencia en aproximadamente un 15% en BAC y un 21% en AP.
• La validación en el conjunto de datos de ReMIND y los estudios de ablación confirmaron la efectividad de las estrategias individuales y la solidez general de MoRE-Net.

Conclusiones:

• MoRE-Net es un nuevo modelo de IA interpretable y robusto para la clasificación de tumores cerebrales.
• El modelo demuestra mejoras significativas en la precisión del diagnóstico y la interpretabilidad, incluso con datos faltantes.
• MoRE-Net muestra un potencial considerable para el despliegue clínico confiable en el diagnóstico médico.