Video Experimental Relacionado
Updated: Apr 17, 2026
11:15
In Situ Detection of Bacteria within Paraffin-embedded Tissues Using a Digoxin-labeled DNA Probe Targeting 16S rRNA
Published on: May 21, 2015
11.1K
Aprendizaje profundo en el diagnóstico del liquen plano oral: una revisión sistemática de los enfoques de detección
Atessa Pakfetrat1, Alireza Sarraf Shirazi2, Amirhossein Saeedi3
1Department of Oral Medicine, Faculty of Dentistry, Mashhad University of Medical Sciences, Mashhad, Iran.
Oral surgery, oral medicine, oral pathology and oral radiology
|September 2, 2025
Resumen
Los modelos de aprendizaje profundo muestran una alta precisión en el diagnóstico del liquen plano oral (OLP) a partir de fotos clínicas. Se necesitan más validaciones y conjuntos de datos más grandes para el uso clínico generalizado de esta tecnología de IA.
Área de la Ciencia:
- Inteligencia Artificial Médica
- Dermatología y Medicina Oral
- Análisis por imágenes de diagnóstico
Sus antecedentes:
- El diagnóstico del liquen plano oral (OLP) se basa en el examen clínico e histológico.
- El diagnóstico preciso y oportuno de la OLP es crucial para una gestión eficaz.
- El aprendizaje profundo (DL) ofrece potencial para el análisis automatizado de fotografías clínicas.
Objetivo del estudio:
- Revisar sistemáticamente el rendimiento diagnóstico de los modelos de aprendizaje profundo para la detección del liquen plano oral.
- Evaluar la precisión, sensibilidad y especificidad de los algoritmos DL utilizando imágenes clínicas.
- Identificar las limitaciones y las direcciones futuras de la DL en el diagnóstico de la OLP.
Principales métodos:
- Revisión sistemática que se adhiere a las directrices de PRISMA.
- Incluir estudios que utilicen arquitecturas de aprendizaje profundo (CNN, Vision Transformers) para el diagnóstico de la OLP.
- Extracción de las métricas de rendimiento (precisión, sensibilidad, especificidad, AUC) y evaluación de la calidad (QUADAS-2).
Principales resultados:
- Los modelos de aprendizaje profundo demostraron una alta precisión de diagnóstico, con algunos superiores al 95%.
- Arquitecturas específicas como InceptionResNetV2 y Xception mostraron una sensibilidad y especificidad prometedoras.
- Las limitaciones identificadas incluyen conjuntos de datos pequeños y homogéneos, preprocesamiento variable e insuficiente validación externa.
Conclusiones:
- El aprendizaje profundo exhibe un potencial significativo para el diagnóstico de OLP a partir de fotografías clínicas.
- La adopción clínica en el mundo real está actualmente limitada por el tamaño del conjunto de datos y los problemas de validación.
- La investigación futura debe centrarse en conjuntos de datos más grandes y diversos, validación robusta y IA explicable (XAI) para la integración clínica.
