CHASHNIt para mejorar la clasificación de enfermedades de la piel utilizando el modelo híbrido aumentado GAN con...

Área de la Ciencia:

• Dermatología
• Inteligencia artificial
• Imágenes médicas

Sus antecedentes:

• La clasificación precisa de las enfermedades de la piel es crucial para el diagnóstico oportuno.
• Los modelos de aprendizaje profundo enfrentan desafíos como el desequilibrio de datos y la falta de interpretabilidad en aplicaciones médicas.

Objetivo del estudio:

• Para introducir CHASHNIt, un nuevo modelo híbrido de aprendizaje profundo que integra EfficientNetB7, DenseNet201 e InceptionResNetV2.
• Mejorar la clasificación de las enfermedades de la piel abordando el desequilibrio de los datos y mejorando la interpretabilidad de los modelos.

Principales métodos:

• Utilizó redes adversarias generativas (GAN) para el aumento de datos para garantizar una representación de clase equilibrada.
• Implementación de técnicas de preprocesamiento sofisticadas, incluida la normalización y la selección de características.
• Métodos integrados de IA explicable (XAI) como SHAP y LIME para la transparencia del modelo.

Principales resultados:

• Logró métricas de alto rendimiento: 97.8% de precisión, 98.1% de precisión, 97.5% de recuerdo, 97.6% de puntuación F1 y 92.3% de tiempo de uso.
• Los modelos de referencia superados incluyen Swin Transformer, ResNet101 y ConvNeXt.
• Los estudios de ablación confirmaron los beneficios sinérgicos de la arquitectura híbrida.

Conclusiones:

• CHASHNIt ofrece un marco avanzado y automatizado para la clasificación de enfermedades de la piel, equilibrando la escalabilidad, la precisión y la explicabilidad.
• El modelo demuestra un rendimiento y una transparencia superiores en comparación con los métodos existentes.
• El trabajo futuro se centrará en la optimización de la eficiencia computacional para dispositivos de bajos recursos.