H-DCA Net: Marco jerárquico de atención coordinada de doble rama para el diagnóstico de histopatología gástrica a...

Área de la Ciencia:

• Patología computacional patología computacional.
• La inteligencia artificial en la oncología.
• Aprendizaje profundo para imágenes médicas.

Sus antecedentes:

• El diagnóstico del cáncer gástrico se basa en la histopatología, que es subjetiva e ineficiente.
• Los sistemas actuales de diagnóstico asistido por computadora (CAD) se enfrentan a problemas de desajuste de escala, al no integrar las características macro y micro.
• Un diagnóstico preciso y temprano es vital para mejorar el pronóstico del paciente.

Objetivo del estudio:

• Desarrollar un nuevo marco de aprendizaje profundo, H-DCA Net, para abordar el problema de desajuste de escala en la clasificación del cáncer gástrico.
• Para imitar el flujo de trabajo de diagnóstico a escala múltiple de los patólogos para una mayor precisión y fiabilidad.
• Para mejorar las herramientas automatizadas de detección de cáncer gástrico.

Principales métodos:

• Propuso la red de atención de coordenadas de doble rama jerárquica (H-DCA Net) con dos ramas: una rama semántica de alto nivel (EfficientNetV2-S) y una rama de detalle local (MobileNetV3-L).
• Características integradas que utilizan un mecanismo de atención jerárquico.
• Entrenado y validado el modelo en el conjunto de datos GasHisSDB utilizando múltiples tamaños de parche de imagen (80x80, 120x120, 160x160 píxeles).

Principales resultados:

• H-DCA Net logró un alto rendimiento en todas las escalas, con un 99,27% de precisión, un 99,3% de precisión, un 99,2% de sensibilidad y un 99,4% de especificidad en el subconjunto de datos 120x120.
• El modelo demostró un buen rendimiento en conjuntos de datos de 160x160 (precisión del 99,04%) y 80x80 (precisión del 98,62%).
• H-DCA Net superó o coincidió con los modelos de última generación, especialmente en escenarios de campo de visión limitado (80x80).

Conclusiones:

• H-DCA Net integra eficazmente la información patológica a escala múltiple utilizando su arquitectura de doble rama y atención jerárquica.
• El modelo proporciona una base de alta precisión para una herramienta auxiliar eficiente, confiable e interpretable para el cribado automatizado del cáncer gástrico.
• H-DCA Net ayuda a reducir la subjetividad diagnóstica y mejorar la eficiencia del flujo de trabajo en patología.