Desarrollo de un chatbot de inteligencia artificial para la clasificación de imágenes de serpientes y la mejora de la...

Área de la Ciencia:

• * Inteligencia artificial
• * Herpetología
• * Informática médica

Sus antecedentes:

• * Las mordeduras de serpientes representan una carga sustancial para la salud mundial, lo que requiere una identificación rápida y precisa de las especies de serpientes para una selección eficaz de antivenenos.
• * La identificación precisa de las especies es fundamental para guiar el manejo clínico adecuado después de los incidentes de mordedura de serpientes.

Objetivo del estudio:

• * Evaluar la eficacia de un modelo de aprendizaje profundo, específicamente Swin Transformer v2, para clasificar las especies de serpientes en Taiwán utilizando datos de imágenes del mundo real.
• * Evaluar el impacto de una nueva técnica de preprocesamiento, la detección y recorte de objetos en tiempo de prueba (TT-ODC), en el rendimiento del modelo con conjuntos de datos de imágenes externas desafiantes.

Principales métodos:

• * Desarrollo de un modelo de aprendizaje profundo basado en la arquitectura de Swin Transformer v2, utilizando el aprendizaje de transferencia en un gran conjunto de datos de imágenes de serpientes etiquetadas.
• * Formación y validación utilizando 12.000 imágenes de un conjunto de datos de 30.573 imágenes. Evaluación en un conjunto de pruebas externas de 2.400 imágenes recopiladas a través de un chatbot LINE y las redes sociales.
• * Implementación y evaluación del método de preprocesamiento TT-ODC en el conjunto de ensayos externos para mejorar la calidad de la imagen y la precisión del modelo.

Principales resultados:

• * El modelo Swin Transformer v2 logró una precisión del 95,6% en el conjunto de validación interna.
• * El rendimiento en el ensayo externo sin preprocesamiento fue del 83,3%.
• * La aplicación del preprocesamiento TT-ODC aumentó la precisión del conjunto de pruebas externas al 89,8%, acercándose al rendimiento de expertos humanos (90,3%).

Conclusiones:

• * La integración del modelo Swin Transformer v2 con el método de preprocesamiento TT-ODC ofrece una solución práctica y precisa para la identificación de especies de serpientes en entornos clínicos.
• * Este enfoque mejora significativamente la confiabilidad de las herramientas de identificación de serpientes impulsadas por IA, particularmente cuando se trata de imágenes de diversas fuentes del mundo real.
• * El sistema desarrollado proporciona una herramienta valiosa para mejorar el manejo de mordeduras de serpientes y los resultados de los pacientes.