Programa del congreso
Resúmenes y datos de las sesiones para este congreso. Seleccione una fecha o ubicación para mostrar solo las sesiones en ese día o ubicación. Seleccione una sola sesión para obtener una vista detallada (con resúmenes y descargas, si están disponibles).
|
Resumen diario |
| Sesión | |
|
Ju-P2: Sesión de pósteres II Lugar: Zona pósteres | |
    | |
Estadificación de la Silicosis Mediante la Detección de Lesiones Usando la Arquitectura Mamba-YOLOvX 1: Instituto para la Investigación e Innovación Biomédica de Cádiz (INiBICA), Hospital Universitario Puerta del Mar, Cádiz, España.; 2: Grupo de Investigación de Bioingeniería, Automática y Robótica. Departamento de Ingeniería en Automática, Electrónica y Arquitectura y Redes de Computadores, Universidad de Cádiz, Puerto Real, España.; 3: Servicio de Neumología. Hospital Universitario Puerta del Mar, Cádiz, España. La silicosis, una grave enfermedad pulmonar ocupacional que resulta de la inhalación de sílice cristalina, continúa siendo un problema de salud global significativo, exacerbado por el creciente uso de piedra artificial de alto contenido de sílice. Los métodos de diagnóstico radiológico actuales para la silicosis a menudo están limitados por su baja sensibilidad en las etapas tempranas y la interpretación subjetiva. Este estudio investiga la aplicación del aprendizaje profundo para la detección y estadificación automatizada de la silicosis usando imágenes de rayos X de tórax. Usando un conjunto de datos completo de radiografías de tórax de trabajadores expuestos a la sílice, se ha desarrollado un enfoque basado en aprendizaje profundo. La detección de anomalías se realizó usando un modelo Mamba-YOLOvX, seguida por la clasificación con YOLOv8. La fase de segmentación inicial demostró un buen rendimiento, permitiendo un proceso de cribado efectivo con una precisión del 81,9%, una sensibilidad del 88,2% y una métrica F1 del 85,0% en la detección de fibrosis masiva progresiva. Las fortalezas inherentes de la arquitectura Mamba, como su capacidad para modelar dependencias de largo alcance y aplicar atención espacial eficientemente, mejoraron significativamente la robustez del análisis de la imagen. Estos hallazgos subrayan el potencial del modelo Mamba-YOLOX para crear herramientas precisas y escalables, que podrían contribuir a la detección temprana y al manejo clínico de la silicosis.
| |