Video Experimental Relacionado
Updated: Jan 9, 2026
05:33
Introduction of an Integrated Pathology Image Management, Artificial Intelligence, and Reporting System
Published on: July 11, 2025
747
Marco de clasificación multicanal basado en navegador que utiliza convoluciones separables en profundidad para
Divine Sebukpor1, Ikenna Odezuligbo2, Maimuna Nagey3
1Department of Computer Science and Engineering, Chandigarh University, Mohali 140413, India.
Diagnostics (Basel, Switzerland)
|December 11, 2025
Resumen
Este estudio presenta una nueva IA basada en navegador para la clasificación multicanal, que logra una precisión del 99,85 % sin necesidad de hardware o servidores potentes. Este marco de aprendizaje profundo que preserva la privacidad permite un diagnóstico del cáncer accesible y en tiempo real a nivel mundial.
Área de la Ciencia:
- Inteligencia artificial
- Diagnóstico médico
- Patología computacional
Sus antecedentes:
- La detección precisa del cáncer es crucial, pero se ve obstaculizada por las demandas de hardware y privacidad del aprendizaje profundo.
- Las soluciones de IA existentes a menudo requieren computación de alto rendimiento y almacenamiento centralizado de datos.
- Las preocupaciones sobre la privacidad de los datos limitan la adopción de la IA en aplicaciones médicas sensibles.
Objetivo del estudio:
- Desarrollar un marco de aprendizaje profundo basado en navegador y del lado del cliente para la clasificación multicanal.
- Permitir el diagnóstico del cáncer en tiempo real y que preserve la privacidad sin infraestructura especializada.
- Demostrar la viabilidad de la implementación de IA de alta precisión en entornos con recursos limitados.
Principales métodos:
- Se ajustó la arquitectura Xception utilizando convoluciones separables en profundidad en más de 130 000 imágenes multicanal.
- Se implementó un marco basado en navegador utilizando TensorFlow.js para la inferencia del lado del cliente.
- Se comparó el rendimiento con los modelos VGG16, ResNet50, EfficientNet-B0 y Vision Transformer.
Principales resultados:
- Se logró una precisión Top-1 del 99,85 % y una precisión Top-5 del 100 %, superando a todos los comparadores.
- Se demostraron requisitos computacionales ligeros adecuados para navegadores web estándar.
- Las visualizaciones de Grad-CAM confirmaron que las predicciones se basaban en características histopatológicas relevantes, lo que garantiza la interpretabilidad.
Conclusiones:
- Presenta el primer marco de aprendizaje profundo totalmente desplegable en navegador y que preserva la privacidad para el diagnóstico multicanal.
- La IA médica de alta precisión es factible sin una sobrecarga de infraestructura significativa ni hardware especializado.
- Establece una vía práctica para la implementación global equitativa y rentable de la IA en el diagnóstico del cáncer.
Videos de Conceptos Relacionados
02:43Mouse Models of Cancer Study
6.3K
Mice have long served as models for studying human biology and pathology because of their phylogenetic and physiological similarity with humans. They are also easy to maintain and breed in the laboratory, and hence, many inbred strains are now available for research. Studies on mice have contributed immeasurably to our understanding of cancer biology.
The development of transgenic, knockout, and knock-in mice has led to an exponential increase in their use as model organisms in research,...
The development of transgenic, knockout, and knock-in mice has led to an exponential increase in their use as model organisms in research,...
6.3K
01:21Cancer Survival Analysis
629
Cancer survival analysis focuses on quantifying and interpreting the time from a key starting point, such as diagnosis or the initiation of treatment, to a specific endpoint, such as remission or death. This analysis provides critical insights into treatment effectiveness and factors that influence patient outcomes, helping to shape clinical decisions and guide prognostic evaluations. A cornerstone of oncology research, survival analysis tackles the challenges of skewed, non-normally...
629