Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Skin Cancer01:30

Skin Cancer

5.7K
Skin cancer is a type of cancer that occurs when there is an abnormal growth of skin cells, usually triggered by damage to the DNA within the skin cells. It is primarily caused by exposure to ultraviolet (UV) radiation from the sun or artificial sources like tanning beds. Skin cancer is the most common type of cancer worldwide, and its incidence continues to rise.
Basal Cell Carcinoma (BCC): BCC is the most common type of skin cancer, accounting for about 80% of cases. It typically develops in...
5.7K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

A clinical decision support system for skin cancer classification using fractional gooseneck barnacle-enabled ensemble classifier.

Computational biology and chemistry·2025
Ver todos los artículos relacionados

Video Experimental Relacionado

Updated: Jan 7, 2026

Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition
09:37

Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition

Published on: August 18, 2022

2.8K

EnsembleSkinNet: un marco basado en aprendizaje por transferencia para la detección eficiente de cáncer de piel con

Srilakshmi Cherukuri1, Srisailapu D Vara Prasad1

  • 1Department of Computer Science and Engineering, GITAM Deemed to be University, Hyderabad, India.

Frontiers in oncology
|December 31, 2025
PubMed
Resumen

EnsembleSkinNet, un marco de IA explicable, mejora el diagnóstico del cáncer de piel al fusionar múltiples modelos de aprendizaje profundo. Este enfoque mejora la precisión y la confiabilidad, lo que lleva a una detección más temprana y mejores resultados clínicos para las lesiones cutáneas.

Palabras clave:
redes neuronales convolucionales (CNN)aprendizaje profundoaprendizaje de conjuntoIA explicabledetección de cáncer de pielaprendizaje por transferencia

Más Videos Relacionados

Quantitative Visualization and Detection of Skin Cancer Using Dynamic Thermal Imaging
06:08

Quantitative Visualization and Detection of Skin Cancer Using Dynamic Thermal Imaging

Published on: May 5, 2011

17.2K

Videos de Experimentos Relacionados

Last Updated: Jan 7, 2026

Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition
09:37

Combining Reflectance Confocal Microscopy with Optical Coherence Tomography for Noninvasive Diagnosis of Skin Cancers via Image Acquisition

Published on: August 18, 2022

2.8K
Quantitative Visualization and Detection of Skin Cancer Using Dynamic Thermal Imaging
06:08

Quantitative Visualization and Detection of Skin Cancer Using Dynamic Thermal Imaging

Published on: May 5, 2011

17.2K

Área de la Ciencia:

  • Inteligencia Artificial
  • Imágenes Médicas
  • Biología Computacional

Sus antecedentes:

  • El cáncer de piel es una enfermedad prevalente y peligrosa, lo que hace que el diagnóstico temprano sea crucial para un tratamiento eficaz.
  • El aprendizaje profundo, en particular las Redes Neuronales Convolucionales (CNN), muestra una gran promesa en la clasificación de lesiones cutáneas impulsada por la IA.
  • Las limitaciones en los modelos de CNN individuales incluyen una generalización reducida debido a variaciones en la apariencia de las lesiones y la calidad de la imagen.

Objetivo del estudio:

  • Desarrollar un marco de aprendizaje profundo de conjunto explicable para una clasificación robusta de imágenes de la piel.
  • Mejorar la confiabilidad y las capacidades de generalización de los modelos de IA en el diagnóstico de lesiones cutáneas.
  • Mejorar las tasas de detección temprana y la confianza clínica en el diagnóstico de cáncer de piel basado en IA.

Principales métodos:

  • El marco EnsembleSkinNet utiliza la fusión de espectro ponderado por softmax de CNN preentrenadas (M-VGG16, ResNet50, Inception V3, DenseNet201).
  • Emplea aprendizaje por transferencia, ajuste fino y optimización bayesiana de hiperparámetros para mejorar el rendimiento de la clasificación.
  • Evaluado utilizando validación cruzada de cinco pliegues en el conjunto de datos HAM10000 y validación externa en el conjunto de datos ISIC 2020.

Principales resultados:

  • Logró una alta precisión (98,32%) en el conjunto de datos HAM10000 con excelente precisión, recuperación y puntuación F1.
  • Demostró una fuerte generalización entre dominios con un 96,84% de precisión y un AUC de 0,983 en el conjunto de datos ISIC 2020.
  • El análisis de explicabilidad Grad-CAM mostró un acuerdo del 93,6% con las anotaciones de los dermatólogos, lo que indica relevancia clínica.

Conclusiones:

  • EnsembleSkinNet ofrece un marco reproducible, interpretable y clínicamente aplicable para el diagnóstico de cáncer de piel basado en IA.
  • El enfoque de conjunto mejora la robustez y la confiabilidad, reduciendo los falsos negativos para cánceres de piel críticos como el melanoma.
  • Este marco de IA puede mejorar las tasas de detección temprana y aumentar la confianza diagnóstica en entornos clínicos.