Video Experimental Relacionado
Updated: Jan 14, 2026
08:20
Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
Published on: October 27, 2023
2.5K
Un modelo híbrido para mejorar la clasificación de enfermedades ungueales utilizando transformadores de visión y
Rahul Nijhawan1, Ananya Gupta1, Manoj Diwakar2,3
1Thapar Institute of Engineering and Technology, Patiala, Punjab, India.
Scientific reports
|January 12, 2026
Resumen
Los datos sintéticos generados por modelos de difusión estable mejoran la precisión del aprendizaje automático para el diagnóstico de enfermedades ungueales. Este enfoque mejora las herramientas de diagnóstico, lo que conduce a tratamientos más precisos y oportunos para afecciones como infecciones fúngicas y psoriasis.
Área de la Ciencia:
- Dermatología
- Inteligencia Artificial
- Imágenes Médicas
Sus antecedentes:
- Las enfermedades ungueales son comunes y a menudo se diagnostican mediante inspección visual, lo que puede generar imprecisiones y retrasos en el tratamiento.
- Un diagnóstico preciso y oportuno es crucial para el manejo efectivo de afecciones ungueales como infecciones fúngicas, paroniquia y psoriasis.
Objetivo del estudio:
- Investigar el uso de datos sintéticos de enfermedades ungueales generados a través de modelos de difusión estable para mejorar la precisión del diagnóstico mediante aprendizaje automático.
- Mejorar las técnicas de transformación de datos utilizando aprendizaje de pocas muestras dentro de un modelo de difusión estable de texto a imagen para generar datos sintéticos diversos.
Principales métodos:
- Generación de datos sintéticos de enfermedades ungueales utilizando modelos de difusión estable con aprendizaje de pocas muestras.
- Aplicación de datos sintéticos para aumentar un conjunto de datos personalizado de enfermedades ungueales del mundo real.
- Evaluación de modelos preentrenados de redes neuronales convolucionales (CNN) MobileNetV2 y Vision Transformer con el conjunto de datos aumentado.
Principales resultados:
- Los datos sintéticos mejoraron la robustez de los modelos MobileNetV2 y Vision Transformer.
- MobileNetV2 logró un aumento de precisión del 3,26%.
- Vision Transformer logró un aumento de precisión del 3,02%.
Conclusiones:
- Los datos sintéticos generados por modelos de difusión estable son efectivos para mejorar el rendimiento de los modelos de aprendizaje automático para la clasificación de enfermedades ungueales.
- Este enfoque ofrece un método prometedor para mejorar la precisión y confiabilidad del diagnóstico automatizado de enfermedades ungueales, lo que podría reducir los errores de diagnóstico y los retrasos en el tratamiento.
