Ensamble jerárquico de transformadores Swin con IA explicativa para un diagnóstico robusto y descentralizado de cáncer de mama
Autores: Ahmed, Md. Redwan; Rahman, Hamdadur; Limon, Zishad Hossain; Siddiqui, Md Ismail Hossain; Khan, Mahbub Alam; Pranta, Al Shahriar Uddin Khondakar; Haque, Rezaul; Swapno, S M Masfequier Rahman; Cho, Young-Im; Abdallah, Mohamed S.
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
Ensamble jerárquico de transformadores Swin con IA explicativa para un diagnóstico robusto y descentralizado de cáncer de mama
Categoría
Ingeniería y Tecnología
Subcategoría
Bioingeniería
Palabras clave
Detección de cáncer de mama
Aprendizaje profundo
Aprendizaje federado
Swin Transformer
Inteligencia artificial explicativa
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 26
Citaciones: Sin citaciones
La detección temprana y precisa del cáncer de mama es esencial para reducir las tasas de mortalidad y mejorar los resultados clínicos. Sin embargo, los modelos de aprendizaje profundo (DL) utilizados en el cuidado de la salud enfrentan desafíos significativos, incluidas preocupaciones sobre la privacidad de los datos, el sobreajuste específico del dominio y la limitada interpretabilidad. Para abordar estos problemas, proponemos BreastSwinFedNetX, un sistema de conjunto habilitado para aprendizaje federado (FL) que combina cuatro variantes jerárquicas del Swin Transformer (Tiny, Small, Base y Large) con un metaaprendiz Random Forest (RF). Al utilizar FL, nuestro enfoque garantiza el entrenamiento colaborativo del modelo en conjuntos de datos descentralizados y específicos de instituciones, al tiempo que preserva la localidad de los datos y evita la exposición de datos crudos de pacientes. El modelo muestra una fuerte capacidad de generalización y se desempeña excepcionalmente bien en cinco conjuntos de datos de referencia: BreakHis, BUSI, INbreast, CBIS-DDSM y un conjunto de datos combinado, logrando un puntaje F1 del 99.34% en BreakHis, un PR AUC del 98.89% en INbreast y un Coeficiente de Correlación de Matthews (MCC) del 99.61% en el conjunto de datos combinado. Para mejorar la transparencia y la adopción clínica, incorporamos inteligencia artificial explicativa (XAI) a través de Grad-CAM, que resalta características discriminativas de clase. Además, desplegamos el modelo en una aplicación web en tiempo real que admite predicciones conscientes de la incertidumbre e interacción con los médicos, y garantiza el cumplimiento del GDPR y HIPAA a través de un despliegue federado seguro. Estudios de ablación extensos y análisis estadísticos emparejados confirman aún más la importancia y la robustez de cada componente arquitectónico. Al integrar arquitecturas basadas en transformadores, entrenamiento colaborativo seguro y salidas explicables, BreastSwinFedNetX proporciona una solución de IA escalable y confiable para el diagnóstico del cáncer de mama en el mundo real.
Descripción
La detección temprana y precisa del cáncer de mama es esencial para reducir las tasas de mortalidad y mejorar los resultados clínicos. Sin embargo, los modelos de aprendizaje profundo (DL) utilizados en el cuidado de la salud enfrentan desafíos significativos, incluidas preocupaciones sobre la privacidad de los datos, el sobreajuste específico del dominio y la limitada interpretabilidad. Para abordar estos problemas, proponemos BreastSwinFedNetX, un sistema de conjunto habilitado para aprendizaje federado (FL) que combina cuatro variantes jerárquicas del Swin Transformer (Tiny, Small, Base y Large) con un metaaprendiz Random Forest (RF). Al utilizar FL, nuestro enfoque garantiza el entrenamiento colaborativo del modelo en conjuntos de datos descentralizados y específicos de instituciones, al tiempo que preserva la localidad de los datos y evita la exposición de datos crudos de pacientes. El modelo muestra una fuerte capacidad de generalización y se desempeña excepcionalmente bien en cinco conjuntos de datos de referencia: BreakHis, BUSI, INbreast, CBIS-DDSM y un conjunto de datos combinado, logrando un puntaje F1 del 99.34% en BreakHis, un PR AUC del 98.89% en INbreast y un Coeficiente de Correlación de Matthews (MCC) del 99.61% en el conjunto de datos combinado. Para mejorar la transparencia y la adopción clínica, incorporamos inteligencia artificial explicativa (XAI) a través de Grad-CAM, que resalta características discriminativas de clase. Además, desplegamos el modelo en una aplicación web en tiempo real que admite predicciones conscientes de la incertidumbre e interacción con los médicos, y garantiza el cumplimiento del GDPR y HIPAA a través de un despliegue federado seguro. Estudios de ablación extensos y análisis estadísticos emparejados confirman aún más la importancia y la robustez de cada componente arquitectónico. Al integrar arquitecturas basadas en transformadores, entrenamiento colaborativo seguro y salidas explicables, BreastSwinFedNetX proporciona una solución de IA escalable y confiable para el diagnóstico del cáncer de mama en el mundo real.