Mejora del diagnóstico de enfermedades ungueales: una red de cápsulas con atención SE y modelos de doble backbone

Área de la Ciencia:

• Dermatología e Inteligencia Artificial
• Análisis de Imágenes Médicas
• Aprendizaje Profundo

Sus antecedentes:

• Las enfermedades ungueales requieren un diagnóstico preciso para prevenir complicaciones graves.
• Los métodos de diagnóstico actuales son a menudo subjetivos y requieren mucho tiempo.
• El cribado automatizado puede mejorar la detección temprana y la atención al paciente.

Objetivo del estudio:

• Presentar CapsuleSEDualNet, un nuevo marco de aprendizaje profundo para el diagnóstico robusto e interpretable de enfermedades ungueales multiclasa.
• Mejorar la precisión y la eficiencia diagnóstica en las evaluaciones dermatológicas.
• Proporcionar una herramienta confiable para el cribado automatizado de enfermedades ungueales.

Principales métodos:

• Se desarrolló CapsuleSEDualNet, que integra la cabeza de la Red de Cápsulas, la atención Squeeze-and-Excitation (SE), MobileNetV2 y DenseNet121.
• Se aplicó la Técnica de Sobremuestreo de Minorías Sintéticas (SMOTE) para abordar el desequilibrio del conjunto de datos.
• Se evaluó el rendimiento del modelo frente a las arquitecturas de aprendizaje profundo existentes.

Principales resultados:

• CapsuleSEDualNet logró una precisión general de clasificación del 96 %.
• El modelo demostró un rendimiento superior en comparación con los modelos de referencia.
• La atención SE y las redes de cápsulas redujeron la clasificación errónea y mejoraron la representación de características.

Conclusiones:

• CapsuleSEDualNet ofrece una solución robusta, escalable e interpretable para el cribado automatizado de enfermedades ungueales.
• El marco aborda la necesidad clínica de una evaluación dermatológica temprana y accesible.
• Potencial como herramienta de apoyo a la decisión asistida por ordenador en dermatología y telemedicina.