Modello ibrido IUM per diagnosi avanzata della malattia coronarica mediante deep learning e visualizzazione VS Grad-CAM

Lo studio affronta una sfida clinica di rilevanza mondiale: la diagnosi precoce della malattia coronarica (CAD), una delle principali cause di morte globale. La metodologia si basa su un approccio di ensemble learning che integra sinergicamente tre architetture neurali distinte. InceptionV3, originariamente sviluppata per la classificazione general-purpose, viene qui adattata al dominio medico ma presenta limitazioni in termini di efficienza computazionale e capacità di catturare dipendenze a lungo raggio nelle immagini cardiache. MobileNetV2, progettata per dispositivi mobili con risorse limitate, si dimostra insufficiente nell'estrarre caratteristiche intrinseche e sfumate dalle immagini angiografiche, dove i dettagli vascolari sono critici. U-NetR combina architetture transformer con decoder convoluzionali, tuttavia il meccanismo di self-attention richiede dataset voluminosi per un training ottimale, presentando ostacoli per applicazioni cliniche real-world. Il modello IUM introduce un meccanismo di weighting dinamico che bilancia i contributi delle tre reti, permettendo a ciascuna di sfruttare i propri punti di forza mentre compensandone i limiti reciproci. L'utilizzo di modelli pre-trained riduce il carico computazionale iniziale, mentre il fine-tuning su dataset angiografici specifici consente l'adattamento alle caratteristiche uniche delle immagini cardiache. La visualizzazione mediante VS Grad-CAM rappresenta un elemento fondamentale per la tracciabilità clinica, producendo heatmap che indicano esattamente quali regioni dell'immagine angiografica influenzano la decisione diagnostica, aspetto cruciale per l'adozione in ambienti clinici. I risultati numerici sono straordinari: un'accuratezza del 97% indica che il modello classifica correttamente circa 97 pazienti su 100; l'F1-score di 0.99 riflette un eccellente equilibrio tra precisione e recall; la specificità del 98% dimostra capacità nel identificare correttamente pazienti senza CAD, riducendo falsi positivi; la sensibilità del 97% indica identificazione efficace di pazienti con CAD, minimizzando falsi negativi. Nel contesto della letteratura esistente, la maggior parte degli studi su CAD automatizzata raggiunge accuratezze nell'intervallo 85-94%, rendendo questi risultati significativamente superiori. L'innovazione principale risiede nel superamento dei trade-off classici tra efficienza computazionale e accuratezza diagnostica, elementi precedentemente antagonisti nella letteratura su deep learning medico.