Aprendizaje de pocos ejemplos e IA explicativa para la histopatología del cáncer colorrectal: Una red prototípica con interpretabilidad multitecnica.

El diagnóstico de cáncer colorrectal a partir de la histopatología es desafiante debido a los datos anotados limitados y la falta de interpretabilidad en modelos profundos. Presentamos un marco eficiente en el uso de datos que combina aprendizaje por pocos ejemplos y IA explicativa para un diagnóstico preciso y transparente. Una Red Prototípica con una arquitectura ConvNeXt-Tiny fue entrenada en conjuntos pequeños de imágenes de tejido colónico. Las explicaciones obtenidas mediante Grad-CAM y LIME fueron validadas por un patólogo, y la generalización se probó en un conjunto de datos externo.

El modelo alcanzó una precisión del 98,5 % dentro del dominio y del 90 % en el conjunto de datos EBHI, mostrando una fuerte capacidad de generalización. Este modelo con aprendizaje por pocos ejemplos y explicativo funciona bien con un mínimo de datos y genera salidas visuales clínicamente interpretables, respaldando su potencial para un diagnóstico confiable de cáncer colorrectal.