Integración de la Optimización por Colonia de Hormigas con Aprendizaje Profundo para Mejorar el Diagnóstico y...

Área de la Ciencia:

• Inteligencia Artificial en Medicina
• Inteligencia Computacional
• Análisis de Imágenes Médicas

Sus antecedentes:

• El diagnóstico del cáncer de pulmón se basa en la interpretación precisa de imágenes de TC y registros médicos.
• Los métodos de diagnóstico actuales pueden mejorarse mediante técnicas computacionales avanzadas.
• Las soluciones sanitarias impulsadas por IA muestran una gran promesa para mejorar la precisión diagnóstica.

Objetivo del estudio:

• Mejorar la precisión y fiabilidad del diagnóstico del cáncer de pulmón.
• Integrar la Optimización por Colonia de Hormigas (ACO) con modelos de aprendizaje profundo para una detección mejorada.
• Establecer una base para futuras soluciones sanitarias impulsadas por IA en oncología.

Principales métodos:

• Aprendizaje de conjunto que combina la Optimización por Colonia de Hormigas (ACO) con modelos de aprendizaje profundo: DenseNet, ResNet 50, VGG 19 y redes de memoria a corto plazo (LSTM).
• Se empleó la ACO para la selección de características con el fin de optimizar el rendimiento del modelo.
• Los modelos integrados se aplicaron para diagnosticar el cáncer de pulmón a partir de imágenes de TC y registros médicos.

Principales resultados:

• El modelo de conjunto que integra la ACO con el aprendizaje profundo mejoró significativamente la precisión del diagnóstico del cáncer de pulmón.
• DenseNet combinado con ACO y LSTM logró la mayor precisión con un 97,9%.
• ResNet 50 alcanzó una precisión del 96,2% y VGG 19 logró una precisión del 92,3%, lo que demuestra la eficacia de la ACO para mejorar el rendimiento del modelo.

Conclusiones:

• La Optimización por Colonia de Hormigas optimiza eficazmente la selección de características, lo que conduce a mejoras significativas en el rendimiento de los modelos de aprendizaje profundo para el diagnóstico del cáncer de pulmón.
• El estudio demuestra el potencial de combinar la inteligencia de enjambre con el aprendizaje profundo para diagnósticos médicos más precisos y fiables.
• Este enfoque ofrece un avance prometedor para la atención sanitaria impulsada por IA, mejorando el diagnóstico del cáncer de pulmón y los resultados de los pacientes.