Video Experimental Relacionado
Updated: May 6, 2026
04:48
Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
2.9K
Desempeño de modelos de aprendizaje profundo para la clasificación y detección de objetos de diferentes lesiones
Siribang-On Piboonniyom Khovidhunkit1, Kunchidsong Phosri2, Bhornsawan Thanathornwong3
1Department of Advanced General Dentistry, Faculty of Dentistry, Mahidol University, Bangkok, Thailand.
Scientific reports
|August 21, 2025
Resumen
La visión por computadora ayuda al diagnóstico de lesiones orales mediante la identificación de trastornos potencialmente malignos. Esta tecnología, que utiliza modelos de aprendizaje profundo como YOLOv7, es prometedora para la detección temprana y mejora las tasas de supervivencia de los pacientes.
Área de la Ciencia:
- La inteligencia artificial en la medicina
- Patología digital
- Medicina Oral
Sus antecedentes:
- La detección temprana de los trastornos potencialmente malignos orales (OPMD) es crucial para reducir el riesgo de cáncer oral y mejorar los resultados de los pacientes.
- La visión por computadora ofrece una nueva tecnología complementaria para el diagnóstico objetivo y eficiente de las lesiones orales.
- La evaluación de modelos avanzados de aprendizaje profundo para la clasificación y detección de lesiones blancas orales es esencial.
Objetivo del estudio:
- Evaluar la eficacia de las técnicas de visión por computadora, específicamente los modelos de aprendizaje profundo, para el diagnóstico de lesiones blancas orales a partir de imágenes fotográficas.
- Comparar el rendimiento de las redes neuronales convolucionales (CNN), las redes de transformadores y los modelos YOLO en la clasificación y detección de OPMD y no OPMD.
- Identificar el modelo más eficaz para la identificación y el cribado automáticos de lesiones orales.
Principales métodos:
- Utilizó modelos de aprendizaje profundo que incluyen CNNs, redes neuronales de transformadores (IFormerBase) y modelos de detección de objetos de una sola etapa (YOLOv7, YOLOv8).
- Modelos entrenados y evaluados en cinco clases de lesiones blancas orales: leucoplasia oral, liquen plano oral, candidiasis pseudomembranosa, úlceras orales con pseudomembrana y otras lesiones blancas benignas.
- Evaluación del rendimiento del modelo utilizando indicadores como la precisión, la precisión, la puntuación F1 y la precisión media (mAP) en varios umbrales de intersección en la Unión (IoU).
Principales resultados:
- El modelo IFormerBase demostró un rendimiento de clasificación superior, logrando una precisión y puntuaciones F1 superiores al 80% en el conjunto de pruebas.
- YOLOv7 logró el mayor rendimiento de detección de objetos, con un mAP de 84.5% a un umbral de IoU de 0.3 y 74.5% a un IoU de 0.5.
- El estudio confirmó el potencial del aprendizaje profundo para la clasificación y detección precisas de varias lesiones blancas orales.
Conclusiones:
- La visión por computadora, impulsada por el aprendizaje profundo avanzado, muestra una promesa significativa como herramienta auxiliar para el diagnóstico de lesiones orales.
- Los modelos desarrollados, en particular IFormerBase para la clasificación y YOLOv7 para la detección, ofrecen una base para mejorar los sistemas de detección del cáncer oral.
- Un mayor desarrollo en la identificación automática de lesiones orales puede mejorar las tasas de detección temprana y la supervivencia del paciente en oncología oral.
