DeepLearning-EndoCancer: Uma Estrutura de Aprimoramento de Dados Melhorou a Precisão do Diagnóstico do Câncer Endometrial

Resumo Objetivo Este estudo buscou aprimorar a precisão da categorização de lesões endometriais em imagens de ultrassom por meio de uma estrutura de aprimoramento de dados baseada em aprendizado profundo (DL), abordando desafios de precisão diagnóstica e contribuindo para pesquisas futuras. Materiais e Métodos Nosso estudo reuniu conjuntos de dados de imagens de ultrassom de 734 pacientes em seis hospitais. Elaboramos uma estrutura de aprimoramento de dados que inclui Limpeza de Características de Imagem e Suavização de Rótulo, validada em vários modelos de DL, incluindo ResNet50, DenseNet169, DenseNet201 e ViT-B. Para um desempenho ótimo, propomos um modelo híbrido integrando redes neurais convolucionais (CNN) e arquiteturas de transformador para prever tipos de lesão. Resultados A implementação de nossas novas estratégias resultou em um considerável aumento da precisão do modelo. O modelo final alcançou uma precisão de 0,809 e uma macro-AUC de 0,911, ressaltando o potencial do DL na classificação de imagens de ultrassom de lesões endometriais. Conclusão Desenvolvemos com sucesso uma estrutura de aprimoramento de dados para classificar com precisão lesões endometriais em imagens de ultrassom. A integração de detecção de anomalias, limpeza de dados e estratégias de suavização de rótulo aprimorou a compreensão do modelo das características das imagens de lesão, aumentando assim sua capacidade de classificação. Nossa pesquisa oferece insights valiosos para estudos futuros e estabelece as bases para a criação de ferramentas diagnósticas mais precisas.