Un marco de autoaprendizaje para la detección y estadificación de enfisema en tomografías computarizadas

Área de la Ciencia:

• Radiología e Imagen Médica
• Inteligencia Artificial en Medicina
• Neumología

Sus antecedentes:

• El enfisema es un fenotipo significativo de la enfermedad pulmonar obstructiva crónica (EPOC), que contribuye a la morbilidad y aumenta el riesgo de cáncer de pulmón.
• La tomografía computarizada (TC) es crucial para la detección del enfisema, pero los modelos actuales de aprendizaje profundo requieren datos anotados extensos.
• Los métodos de detección de anomalías no supervisada (UAD) tienen dificultades con las anomalías específicas del enfisema y la representación semántica.

Objetivo del estudio:

• Desarrollar un marco de aprendizaje auto-supervisado para la detección y estadificación del enfisema utilizando únicamente TC sin enfisema.
• Abordar las limitaciones de los métodos UAD existentes en la identificación y localización de enfisema con semántica débil.
• Crear una solución de IA escalable e interpretable para el análisis de enfermedades pulmonares.

Principales métodos:

• Un marco de autoaprendizaje entrenado en TC sin enfisema con lesiones de enfisema generadas sintéticamente.
• Introducción de EDLNet, una arquitectura codificador-decodificador con refinamiento espacial-canal y fusión adaptativa de características.
• Estadificación del enfisema no supervisada integrada en el marco de detección y localización.

Principales resultados:

• El marco propuesto demostró un rendimiento superior en la detección y localización de enfisema en comparación con los enfoques UAD existentes.
• Se logró una precisión media de estadificación del 93,13% para el enfisema.
• Se obtuvo un área bajo la curva característica operativa del receptor (AUROC) macro de 99,08% en evaluaciones multicéntricas.

Conclusiones:

• El marco de autoaprendizaje desarrollado ofrece un método robusto y eficiente para el análisis del enfisema sin requerir grandes conjuntos de datos anotados.
• EDLNet une eficazmente el conocimiento clínico con la inteligencia artificial para mejorar la detección y estadificación de enfermedades pulmonares.
• Este enfoque proporciona una solución escalable, interpretable y de alto rendimiento para analizar el enfisema en tomografías computarizadas.