Video Experimental Relacionado
Updated: Jan 8, 2026
Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
Published on: October 10, 2018
Modelo de aprendizaje por transferencia híbrido DRM-Net basado en IA explicable para la detección y clasificación de
Shahid Mohammad Ganie1, Majid Bashir Malik2, Mir Aadil3
1Department of Health Information Management and Technology, College of Applied Medical Sciences, King Faisal University, 31982, Al-Ahsa, Saudi Arabia. sganie@kfu.edu.sa.
Este estudio presenta DRM-Net, un novedoso modelo híbrido de aprendizaje profundo de transferencia para mejorar el diagnóstico del cáncer de mama a partir de imágenes de ultrasonido. DRM-Net mejora significativamente la precisión, ayudando en las decisiones clínicas.
Área de la Ciencia:
- Imagenología Médica
- Inteligencia Artificial
- Oncología
Sus antecedentes:
- El cáncer de mama es una de las principales causas de muerte en mujeres en todo el mundo.
- El diagnóstico temprano es fundamental para un tratamiento eficaz y mejores resultados para los pacientes.
- El aprendizaje profundo de transferencia muestra una gran promesa en el análisis de imágenes médicas.
Objetivo del estudio:
- Desarrollar y evaluar un novedoso modelo híbrido de aprendizaje profundo de transferencia para el diagnóstico del cáncer de mama utilizando imágenes de ultrasonido.
- Comparar el rendimiento del modelo propuesto con los modelos de aprendizaje por transferencia existentes.
- Mejorar la precisión y confiabilidad de la detección del cáncer de mama.
Principales métodos:
- Se entrenaron seis modelos de aprendizaje por transferencia en un conjunto de datos de ultrasonido de mama.
- Se desarrolló un modelo híbrido (DRM-Net) combinando los modelos de aprendizaje por transferencia de mejor rendimiento.
- Se empleó preprocesamiento de imágenes, enmascaramiento, aumento de datos y ajuste de hiperparámetros.
- Se interpretaron las decisiones del modelo utilizando la asignación de clase de mapeo de activación (CAM) de IA explicable (XAI).
Principales resultados:
- El modelo DRM-Net propuesto logró un rendimiento superior en comparación con otros seis modelos de aprendizaje por transferencia.
- DRM-Net demostró alta precisión (96,71%), precisión (96%), recall (97%), puntuación F1 (97%) y AUC (99%).
- El modelo superó a los estudios existentes del estado del arte en el diagnóstico del cáncer de mama.
Conclusiones:
- El modelo híbrido DRM-Net muestra un potencial significativo para mejorar la precisión del diagnóstico del cáncer de mama.
- Este enfoque impulsado por IA puede respaldar la toma de decisiones clínicas informadas.
- La aplicabilidad del modelo se extiende a otras tareas de diagnóstico basadas en ultrasonido.
