Video Experimental Relacionado
Updated: Jan 9, 2026
03:31
Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
Published on: December 15, 2023
991
Mejora de la Generalización Clínica de la Clasificación de Úlceras por Presión Mediante Aumento de Datos Guiado por
Jun-Woo Choi1, Won Lo Rhee2, Dong-Hun Han1
1Department of Medical Artificial Intelligence, Eulji University, Seongnam 13135, Republic of Korea.
Diagnostics (Basel, Switzerland)
|December 11, 2025
Resumen
Este estudio mejora la precisión de la estadificación de úlceras por presión utilizando un novedoso enfoque de entrenamiento en dos fases. El aumento de datos informado clínicamente mejora significativamente la generalización del modelo para aplicaciones de imagen médica.
Área de la Ciencia:
- Imágenes Médicas
- Inteligencia Artificial en la Atención Médica
- Dermatología
Sus antecedentes:
- Los conjuntos de datos de imágenes médicas para condiciones específicas como las úlceras por presión a menudo son limitados.
- Las variaciones en las condiciones de imagen (distancia, iluminación, punto de vista) dificultan la clasificación clínica precisa.
- El desarrollo de modelos de IA robustos para la estadificación de úlceras por presión es crucial para la atención eficaz del paciente.
Objetivo del estudio:
- Mejorar la capacidad de generalización de los modelos de IA para la clasificación de estadios de úlceras por presión.
- Abordar los desafíos planteados por la escasez y variabilidad de datos en la imagen médica clínica.
- Mejorar la usabilidad clínica de las herramientas de diagnóstico impulsadas por IA.
Principales métodos:
- Se desarrolló un modelo basado en YOLOv7 para la clasificación de estadios de úlceras por presión.
- Se empleó una estrategia de entrenamiento en dos fases que incorpora imágenes guiadas por saliencia.
- Se utilizó la aumentación de ruido plausible clínicamente, incluidas áreas de curación y queratina blanca.
Principales resultados:
- Se logró un aumento de la precisión del 75% al 89% en imágenes hospitalarias recién adquiridas.
- Se demostró un rendimiento estable y reproducible con validación cruzada de cinco pliegues (mAP@0.5: 86,20% ± 2,28%).
- Se superaron los puntos de referencia de rendimiento informados previamente para los modelos de estadificación de úlceras por presión en entornos clínicos.
Conclusiones:
- El aprendizaje curricular combinado con la aumentación enriquecida con ruido mejora la generalización del modelo en entornos clínicos.
- La aumentación de datos informada clínicamente es esencial para mejorar el rendimiento del modelo de IA en imágenes médicas.
- El enfoque propuesto ofrece una solución práctica para mejorar la usabilidad de la IA en entornos médicos con datos limitados.
