Detección y clasificación de accidentes cerebrovasculares utilizando imágenes de TC con modelos de transformadores y inteligencia artificial explicativa

El accidente cerebrovascular es una de las principales causas de muerte a nivel mundial, lo que hace que el diagnóstico temprano y preciso sea esencial para mejorar los resultados de los pacientes, particularmente en entornos de emergencia donde la intervención oportuna es crítica. Las tomografías computarizadas son la modalidad de imagen clave debido a su velocidad, accesibilidad y rentabilidad. Este estudio propuso un marco de inteligencia artificial para la clasificación multiclasista de accidentes cerebrovasculares ( isquémico, hemorrágico y sin accidente cerebrovascular) utilizando imágenes de tomografías computarizadas de un conjunto de datos proporcionado por el Ministerio de Salud de la República de Turquía. El método propuesto adoptó MaxViT, un transformador de visión de última generación, como el modelo principal de aprendizaje profundo para la clasificación de accidentes cerebrovasculares basada en imágenes, con variantes de transformadores adicionales (transformador de visión, transformador-en-transformador y ConvNext). Para mejorar la generalización del modelo y abordar el desequilibrio de clases, aplicamos técnicas de aumento de datos, incluida la generación de imágenes sintéticas. El modelo MaxViT entrenado con aumento logró el mejor rendimiento, alcanzando una precisión y puntuación F1 del 98.00%, superando todos los demás modelos evaluados y los métodos basales. El objetivo principal de este estudio fue distinguir entre tipos de accidentes cerebrovasculares con alta precisión mientras se abordan cuestiones cruciales de transparencia y confianza en los modelos de inteligencia artificial. Para lograr esto, se integró la Inteligencia Artificial Explicable (XAI) en el marco, particularmente Grad-CAM++. Proporciona explicaciones visuales de las decisiones del modelo al resaltar regiones relevantes de accidentes cerebrovasculares en las tomografías computarizadas y establecer una solución precisa, interpretable y clínicamente aplicable para la detección temprana de accidentes cerebrovasculares. Esta investigación contribuyó al desarrollo de una herramienta de diagnóstico asistida por IA confiable para el accidente cerebrovascular, facilitando su integración en la práctica clínica y mejorando el acceso a un diagnóstico oportuno y óptimo del accidente cerebrovascular en los departamentos de emergencia, salvando así más vidas.