EASDnet: Potenciando la medicina basada en evidencias centrada en el ser humano a través de una red basada en evidencias y atención para la desigualdad espacial discriminativa en la screening histopatológica del cáncer colorrectal y su atribución.

La valoración preoperatoria precisa del cáncer colorrectal es crucial para guiar las decisiones de tratamiento, incluyendo la elegibilidad para resección R0, con el fin de reducir la recurrencia y mejorar la supervivencia del paciente.

Sin embargo, la evaluación convencional por imagenología depende de la experiencia humana, lo que lleva a subjetividad e incertidumbre diagnóstica en la interpretación clínica.

Por lo tanto, es esencial contar con una herramienta de análisis cuantitativo objetivo y basado en evidencia para asistir a los profesionales médicos.

Este estudio presenta y valida un modelo de aprendizaje profundo basado en medicina basada en evidencias (EBM) que aborda estas limitaciones proporcionando un screening patológico confiable y automatizado desde imágenes médicas. Formulamos el nuevo modelo EASDnet, una arquitectura de aprendizaje profundo basada en EBM para la detección discriminativa de lesiones de cáncer colorrectal, que incorpora un mecanismo basado en evidencia y atención para aprender las sutiles diferencias morfológicas entre lesiones cancerosas y su microambiente circundante. Este enfoque capta eficazmente las características discriminativas e identificables interclase e intraclase a partir de datos histopatológicos. EASDnet se entrena y valida rigurosamente utilizando conjuntos de datos públicos de imágenes, NCT-100K y LC25000.

El modelo propuesto demostró un rendimiento robusto en el diagnóstico cuantitativo del cáncer colorrectal. La evaluación de EASDnet en los respectivos conjuntos de datos confirmó su alta capacidad discriminativa, con puntajes de precisión del 97,76% y 98,52%. Las capacidades diagnósticas patológicas de EASDnet son superiores a los métodos actuales de vanguardia para determinar el estado del cáncer colorrectal. Con su rendimiento optimizado en la división tisular e inferencia de características, EASDnet es un modelo prometedor y valioso de aprendizaje que puede avanzar las estrategias diagnósticas objetivas y mejorar el cuidado clínico para los pacientes con cáncer colorrectal.