Linear Gaussian Kernel Cycle Generative Adversarial Networks based Transformer Learning for Early-Stage Stroke Prediction with Parkinson and Skin Disease

Resumen Técnico: Aprendizaje de Transformadores basado en Redes Generativas Antagónicas de Ciclo con Núcleo Gaussiano Lineal para la Predicción Temprana de Accidentes Cerebrovasales

Planteamiento del Problema
El accidente cerebrovascular sigue siendo una de las principales causas de mortalidad y discapacidad a largo plazo a nivel mundial, lo que hace que la predicción temprana sea crítica para una intervención médica oportuna. Si bien las condiciones neurológicas como la enfermedad de Parkinson y las condiciones dermatológicas como las arrugas de la piel (por ejemplo, psoriasis, eccema, lupus) pueden ofrecer indicadores valiosos del riesgo de accidente cerebrovascular, los modelos de aprendizaje profundo existentes enfrentan desafíos significográficos. Los enfoques actuales suelen tener dificultades para lograr una alta precisión de predicción manteniendo un bajo tiempo computacional. Además, muchos métodos existentes no logran abordar adecuadamente los problemas de calidad de imagen, como los artefactos de ruido, o carecen de mecanismos robustos para la extracción de características de imágenes médicas complejas, como los dibujos de Parkinson y los conjuntos de datos de lesiones cutáneas.

Metodología
El artículo propone un nuevo marco denominado Aprendizaje de Transformadores basado en Redes Generativas Antagónicas de Ciclo con Núcleo Gaussiano Lineal (LGKCGAN-TL). La arquitectura integra cinco etapas de procesamiento distintas: adquisición de imágenes, preprocesamiento, aumento de datos, extracción de características y clasificación.

1. Adquisición de Imágenes: El modelo utiliza dos conjuntos de datos específicos: el conjunto de datos de Dibujos de Parkinson (que contiene dibujos de espirales y ondas de individuos sanos y pacientes con Parkinson) y el conjunto de datos Dermnet (centrado en enfermedades de la piel como psoriasis, eccema y lupus).
2. Preprocesamiento (Denoising Lineal de Caja de Índice de Camargo): Para mejorar la calidad de la imagen y reducir los artefactos de ruido, los autores emplean el denoising lineal de caja de índice de Camargo. Esta técnica utiliza un filtro de caja para promediar los valores de los píxeles dentro de una ventana. Calcula un "índice de Camargo" estadístico para distinguir entre píxeles normales y ruido basándose en su dependencia de la media local. Los píxeles ruidosos se reemplazan con el promedio de los píxeles vecinos, maximizando así la Relación Señal-Ruido de Pico (PSNR).
3. Aumento de Datos (Red Generativa Antagónica de Ciclo con Núcleo Gaussiano): Para abordar la escasez de datos y mejorar la robustez del modelo, el marco utiliza Redes Generativas Antagónicas de Ciclo (Cycle GANs) con Núcleo Gaussiano. Esto implica dos generadores y dos discriminadores dispuestos en una red de anillo.
   • Generador A transforma las imágenes de entrada en un dominio sintético utilizando una función de núcleo gaussiano para generar nuevos valores de píxeles.
   • Generador B intenta reconstruir la imagen original desde el dominio sintético.
   • El sistema minimiza la pérdida antagónica (distinguir entre real y falso) y la pérdida de consistencia de ciclo (asegurar que la imagen original se preserve después de una transformación de ida y vuelta), expandiendo efectivamente el tamaño del conjunto de datos.
4. Extracción de Características y Clasificación (Aprendizaje de Transformador de Correlación de Rosenthal): El motor de clasificación central es un modelo de Aprendizaje de Transformador de Correlación de Rosenthal.
   • Incrustación de Parches (Patch Embedding): Las imágenes de entrada se dividen en parches de tamaño fijo y no superpuestos.
   • Codificación Posicional: Se aplican funciones de seno y coseno para codificar la posición espacial de cada parche.
   • Codificador de Transformador: Los mecanismos de autoatención procesan estos parches para capturar dependencias globales, extrayendo características geométricas, de textura, de color y de forma.
   • Correlación de Rosenthal: En la capa densa totalmente conectada, una función de correlación de Rosenthal analiza la relación entre los vectores de características extraídos y los vectores de características de prueba.
   • Clasificación: Una función de activación sigmoide genera una clasificación binaria (riesgo de accidente cerebrovascular frente a sin riesgo) basada en el análisis de correlación.

Contribuciones Clave
El artículo describe las siguientes contribuciones específicas:

• Desarrollo del modelo LGKCGAN-TL, que integra el preprocesamiento, el aumento y el aprendizaje basado en transformadores para la predicción de accidentes cerebrovasculares.
• Implementación del denoising lineal de caja de índice de Camargo para mejorar la calidad de la imagen y la PSNR mediante la eliminación de artefactos de ruido.
• Utilización de Cycle GANs con Núcleo Gaussiano para aumentar el conjunto de datos, generando muestras sintéticas para mejorar la robustez del modelo.
• Aplicación del Aprendizaje de Transformador de Correlación de Rosenthal para extraer características espaciales complejas y realizar una clasificación de riesgo precisa con un tiempo de predicción reducido.
• Evaluación experimental exhaustiva comparando el modelo propuesto contra los modelos GA-BiLSTM y DCNN existentes.

Resultados Experimentales
El modelo fue evaluado utilizando los conjuntos de datos de Dibujos de Parkinson y Dermnet, midiendo su desempeño frente a las líneas base de GA-BiLSTM y DCNN. Los hallazgos clave incluyen:

• Calidad de Imagen: El modelo LGKCGAN-TL mejoró la PSNR aproximadamente un 8–9% en comparación con los modelos de línea base en ambos conjuntos de datos.
• Precisión (Accuracy): El modelo alcanzó una precisión de predicción promedio de 98–99%.
• Precisión y Sensibilidad (Precision y Recall): Alcanzó una precisión de 98.5%, una sensibilidad de 97.8% y una puntuación F1 de 98%.
• Especificidad: La especificidad alcanzó el 93%, lo que representa una mejora del 11–12% sobre GA-BiLSTM y del 34% sobre DCNN.
• Tiempo de Predicción: El tiempo de predicción del accidente cerebrovascular se redujo a aproximadamente 55 ms, una disminución de un 7–16% en comparación con los modelos de línea base.
• Matriz de Confusión y ROC: El modelo demostró una alta capacidad diagnóstica, identificando correctamente 825 verdaderos positivos y 100 verdaderos negativos en el conjunto de datos de Parkinson (1000 muestras). El análisis de la curva ROC confirmó un rendimiento superior al de los métodos existentes.

Significancia y Reivindicaciones
Los autores afirman que el modelo LGKCGAN-TL ofrece un avance significativo en la predicción temprana de accidentes cerebrovasculares al aprovechar eficazmente los datos multimodales (dibujos de Parkinson e imágenes de enfermedades de la piel). La importancia del trabajo reside en su enfoque híbrido:

1. Mejora de la Calidad de los Datos: La técnica de denoising asegura que el modelo aprenda de entradas de alta calidad.
2. Robustez: El aumento basado en GAN aborda la limitación de los pequeños conjuntos de datos médicos.
3. Eficiencia y Precisión: La arquitectura basada en transformadores, combinada con la correlación de Rosenthal, permite la captura de dependencias de largo alcance y características globales, lo que resulta en una mayor precisión y tiempos de inferencia más rápidos en comparación con las CNN tradicionales y GA-BiLSTM.

El artículo concluye que, si bien el modelo es prometedor, el trabajo futuro debe abordar limitaciones como la dependencia de conjuntos de datos específicos y la falta de evidencia clínica multimodal (por ejemplo, RM, TC y registros de salud de los pacientes). Los autores sugieren expandir el modelo para incluir aprendizaje federado y marcos de la Internet de las Cosas Médicas (IoMT) en tiempo real para mejorar su escalabilidad.