Video Experimental Relacionado
Updated: Apr 30, 2026
09:11
Automation of the Micronucleus Assay Using Imaging Flow Cytometry and Artificial Intelligence
Published on: January 27, 2023
2.9K
Diseño y desarrollo de una red neuronal convolucional basada en el mecanismo de atención cognitiva humana para la
Mohammad Zolfaghari1, Mohammad Saniee Abadeh1, Hedieh Sajedi2
1Faculty of Electrical and Computer Engineering, Tarbiat Modares University, Tehran, Iran.
PloS one
|February 19, 2026
Resumen
Este estudio presenta nuevos bloques de atención para la clasificación de leucemia impulsada por IA, mejorando significativamente la precisión en la identificación de leucocitos (WBC) a partir de imágenes médicas. El modelo propuesto MobileNetv4-PCAB logra una clasificación casi perfecta, superando a los métodos existentes.
Área de la Ciencia:
- Análisis de Imágenes Médicas
- Inteligencia Artificial en la Sanidad
- Patología Computacional
Sus antecedentes:
- La identificación de la leucemia depende del análisis manual de leucocitos (WBC), que es lento y propenso a errores.
- Se están desarrollando métodos automatizados que utilizan Inteligencia Artificial (IA) y Visión por Computadora (CV) para mejorar la precisión y eficiencia de la detección de leucemia.
- Los métodos automatizados existentes enfrentan desafíos para extraer con precisión las características estructurales y de ubicación sutiles de los leucocitos.
Objetivo del estudio:
- Introducir nuevos mecanismos de atención, Bloque de Atención Cognitiva Paralela (PCAB) y Bloque de Atención Cognitiva Secuencial (SCAB), para Redes Neuronales Convolucionales (CNN).
- Mejorar las capacidades de extracción de características de las CNN para una mejor clasificación de la leucemia.
- Evaluar el rendimiento de los modelos de CNN basados en atención frente a los modelos de referencia en diversos conjuntos de datos de leucemia.
Principales métodos:
- Desarrollo de PCAB y SCAB, integrando sub-bloques de atención de canal y espacial para imitar los flujos de procesamiento visual humano.
- Incrustación de PCAB y SCAB en las arquitecturas ResNet18 y MobileNetv4.
- Entrenamiento y prueba de modelos de referencia y basados en atención en cuatro conjuntos de datos de leucemia (ALL, ALL-IDB2, C-NMC, Mixture-Leukemia) en condiciones idénticas.
Principales resultados:
- El modelo MobileNetv4-PCAB demostró un rendimiento superior en todos los conjuntos de datos probados.
- Se alcanzaron altas tasas de precisión: 100% (ALL), 100% (ALL-IDB2), 93,61% (C-NMC) y 99,4% (Mixture-Leukemia).
- Se obtuvieron excelentes puntuaciones F1: 100% (ALL), 100% (ALL-IDB2), 95,64% (C-NMC) y 99,3% (Mixture-Leukemia).
Conclusiones:
- Los bloques de atención PCAB y SCAB propuestos mejoran significativamente el rendimiento de las CNN para la clasificación de leucemia.
- El modelo MobileNetv4-PCAB representa un enfoque de vanguardia, superando a los métodos existentes en precisión y eficiencia.
- Este enfoque impulsado por IA promete un diagnóstico más confiable y rápido de la leucemia a partir de imágenes de células sanguíneas.
