Preentrenamiento en conjuntos de datos de enfermedades pulmonares inflamatorias crónicas para mejorar la...

Área de la Ciencia:

• Inteligencia Artificial
• Imágenes Médicas
• Oncología

Sus antecedentes:

• El cáncer de pulmón es una causa principal de muerte, y el cribado con TC de dosis baja enfrenta barreras de adopción.
• El diagnóstico preciso de nódulos pulmonares indeterminados es un desafío, lo que afecta las decisiones clínicas.
• Las enfermedades pulmonares crónicas como la EPOC comparten características inflamatorias relevantes para la clasificación de nódulos.

Objetivo del estudio:

• Mejorar la clasificación de nódulos pulmonares mediante el preentrenamiento de autoencoders enmascarados (MAE) en el conjunto de datos COPDGene.
• Aprovechar las características de la enfermedad pulmonar inflamatoria crónica para mejorar el diagnóstico de nódulos.
• Optimizar el rendimiento de MAE a través de diversas estrategias de enmascaramiento para mejorar la extracción de biomarcadores de imagen.

Principales métodos:

• Se utilizó el preentrenamiento de autoencoders enmascarados (MAE) en el conjunto de datos COPDGene, centrándose en las características de la enfermedad pulmonar obstructiva crónica (EPOC).
• Se exploraron diferentes estrategias de enmascaramiento para mejorar la atención de la red en las regiones parenquimales y perinodulares.
• Se evaluó el rendimiento de la clasificación frente al autoentrenamiento y el aprendizaje supervisado en el conjunto de datos del National Lung Cancer Screening Trial (NLST).

Principales resultados:

• El preentrenamiento con enmascaramiento aleatorio (r-masking) en COPDGene logró un rendimiento superior en la clasificación de nódulos.
• Se logró una sensibilidad del 88,79%, una especificidad del 86,27% y un AUC de 0,931.
• Se demostró un rendimiento mejorado en comparación con el autoentrenamiento y el aprendizaje supervisado en NLST.

Conclusiones:

• El preentrenamiento de MAE en conjuntos de datos de enfermedades crónicas como COPDGene mejora la clasificación de nódulos pulmonares.
• Los enfoques basados en MAE muestran un potencial significativo para mejorar el diagnóstico de nódulos en entornos clínicos.
• Aprovechar el aprendizaje autosupervisado en conjuntos de datos relevantes es crucial para avanzar en el cribado del cáncer de pulmón.