AdaptiveInvolutionNet: Involución espacialmente adaptativa con atención a nivel de canal para la clasificación de...

Área de la Ciencia:

• Inteligencia Artificial
• Imágenes Médicas
• Aprendizaje Automático

Sus antecedentes:

• La clasificación precisa de tumores de mama a partir de RM es fundamental para los resultados de los pacientes.
• Los modelos convencionales de aprendizaje profundo tienen dificultades con características sutiles y espacialmente variables en imágenes médicas.

Objetivo del estudio:

• Introducir AdaptiveInvolutionNet (AIN), un marco novedoso de aprendizaje profundo.
• Mejorar el aprendizaje de características discriminatorias para la clasificación de tumores de mama utilizando una arquitectura híbrida.

Principales métodos:

• Utilizar núcleos de involución espacialmente adaptativos para la extracción de características de grano fino en las primeras capas.
• Integrar la atención a nivel de canal (módulos de excentricidad de exprimir) para amplificar las características relevantes.
• Entrenar y evaluar en 6000 imágenes de RM de mama utilizando validación cruzada de cinco pliegues.

Principales resultados:

• Lograr una alta precisión en la prueba del 97 % con un rendimiento constante en los pliegues de validación cruzada (promedio del 96 % ± 1 %).
• Demostrar una fuerte concordancia con las etiquetas verdaderas (Kappa de Cohen 0,93 ± 0,01).
• Producir predicciones confiables con una baja puntuación de Brier de 0,0241.

Conclusiones:

• AIN combina con éxito la extracción de características espaciales adaptativas y mecanismos de atención para el análisis avanzado de imágenes médicas.
• El modelo muestra alta precisión, generalización robusta y confiabilidad constante.
• AIN tiene un potencial significativo como herramienta de diagnóstico asistida por ordenador confiable para la detección clínica de cáncer de mama.