Video Experimental Relacionado
Updated: Jan 17, 2026
08:20
Author Spotlight: AI-Driven Trypanosome Species Detection from Microscopic Images
Published on: October 27, 2023
2.5K
Diagnóstico de enfermedades de la piel mediante aprendizaje por transferencia federado en datos heterogéneos
Shikha Sharma1, Ruchi Mittal2, Nitin Goyal3
1Chitkara University Institute of Engineering and Technology, Chitkara University, Rajpura, Punjab, India.
Scientific reports
|January 15, 2026
Resumen
Este estudio presenta un modelo de aprendizaje por transferencia federado que preserva la privacidad para el diagnóstico de enfermedades de la piel. El enfoque de aprendizaje automático logra una alta precisión, mejorando la detección temprana y la eficacia del tratamiento.
Área de la Ciencia:
- Dermatología e Inteligencia Artificial
- Informática Médica
- Salud Computacional
Sus antecedentes:
- Las enfermedades de la piel presentan importantes desafíos para la salud física y mental a nivel mundial.
- El diagnóstico preciso y oportuno es fundamental para un tratamiento dermatológico eficaz.
- El aprendizaje automático (ML) y el aprendizaje profundo (DL) muestran ser prometedores para mejorar la precisión diagnóstica, pero requieren grandes conjuntos de datos.
Objetivo del estudio:
- Desarrollar un marco de aprendizaje por transferencia federado que preserve la privacidad para el diagnóstico de enfermedades de la piel.
- Abordar la escasez de datos y las preocupaciones de privacidad en el intercambio de datos de atención médica para modelos de ML.
- Mejorar la eficiencia y precisión de las herramientas de diagnóstico dermatológico.
Principales métodos:
- Se utilizó aprendizaje por transferencia con una red neuronal densa (DNN) para la detección inicial de enfermedades de la piel.
- Se emplearon arquitecturas preentrenadas para la extracción de características, seguidas de la clasificación DNN.
- Se integró el aprendizaje federado (FL) para entrenar modelos en nodos distribuidos preservando la privacidad de los datos.
- Se combinó FL con aprendizaje por transferencia para crear un ecosistema de diagnóstico seguro y eficaz.
Principales resultados:
- El modelo propuesto de extracción de características con aprendizaje federado logró una alta precisión de validación cruzada: 99,528 % en bases de datos IID y 99,689 % en bases de datos no IID.
- Demostró la capacidad de crear modelos eficientes y ligeros adecuados para entornos con recursos limitados.
- Mostró la capacidad del aprendizaje de conjuntos para mejorar el rendimiento de los dispositivos de borde.
Conclusiones:
- El aprendizaje por transferencia federado ofrece una solución potente y que preserva la privacidad para el diagnóstico de enfermedades de la piel.
- El modelo desarrollado proporciona una herramienta eficiente y precisa para los entornos sanitarios modernos.
- Este enfoque supera eficazmente las limitaciones de datos y las regulaciones de privacidad en la IA médica.
