Video Experimental Relacionado
Updated: Apr 11, 2026
14:08
Automated Midline Shift and Intracranial Pressure Estimation based on Brain CT Images
Published on: April 13, 2013
42.8K
Diagnóstico automatizado de la mucormicosis mediante tomografía paranasal con ResNet50 y ConvNeXt Small
Serdar Ferit Toprak1, Serkan Dedeoğlu2, Günay Kozan3
1Department of Audiology, Artuklu University, Mardin 47100, Turkey.
Bioengineering (Basel, Switzerland)
|August 28, 2025
Resumen
Los modelos de aprendizaje profundo detectan con precisión la mucormicosis a partir de tomografías computarizadas, lo que ayuda al diagnóstico rápido. Estas herramientas de IA pueden servir como cribado no invasivo para complementar los métodos tradicionales de biopsia.
Área de la Ciencia:
- Análisis de imágenes médicas
- Inteligencia artificial en el diagnóstico
- Detección de infecciones fúngicas
Sus antecedentes:
- La mucormicosis es una infección fúngica grave que requiere un diagnóstico rápido.
- El diagnóstico tradicional se basa en la biopsia invasiva, retrasando el tratamiento.
- Las tomografías computarizadas (TC) ofrecen una modalidad de imagen no invasiva.
Objetivo del estudio:
- Desarrollar y evaluar modelos de aprendizaje profundo para la detección automatizada de la mucormicosis.
- Evaluar el rendimiento de los modelos de aprendizaje por transferencia (ResNet50, ConvNeXt Small) en imágenes de TC paranasal.
- Determinar si la IA puede acelerar el diagnóstico de la mucormicosis y ayudar a la toma de decisiones clínicas.
Principales métodos:
- Análisis retrospectivo de 794 imágenes de TC paranasal de pacientes con mucormicosis, pólipos nasales o hallazgos normales.
- Preprocesamiento de imágenes, incluido el redimensionamiento y el aumento para el entrenamiento de modelos.
- Ajuste fino de los modelos de aprendizaje de transferencia ResNet50 y ConvNeXt con una división de prueba de tren 70/30 y validación cruzada.
Principales resultados:
- ConvNeXt Small logró el 100% de precisión, recuerdo y puntuación F1 en el conjunto de pruebas.
- ResNet50 demostró una precisión del 99,16%, con una alta precisión y recuerdo.
- Los resultados consistentes de la validación cruzada (precisión de ~99% para ConvNeXt) y el estudio de ablación confirmaron la eficacia del aprendizaje de transferencia.
Conclusiones:
- Los modelos de aprendizaje profundo pueden detectar con precisión la mucormicosis de manera no invasiva a partir de tomografías computarizadas.
- Estas herramientas de IA pueden funcionar como ayudas de detección rápida, complementando la histopatología.
- Se recomienda una mayor validación e integración clínica para la intervención temprana de la mucormicosis.
