Video Experimental Relacionado
Updated: Jun 20, 2026
04:48
Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
Published on: November 30, 2022
3.6K
KD-SqueezeNet: una estrategia de aprendizaje profundo eficiente para el diagnóstico de múltiples tareas de
Jie Li1,2, Renyi Pan3, Fa Tian4
1The Department of Radiology, Second Affiliated Hospital and Yuying Childrens Hospital of Wenzhou Medical University, Xueyuan West Road, Wenzhou, 325027, China.
Pediatric radiology
|February 20, 2026
Resumen
Este estudio presenta KD-SqueezeNet, un modelo de aprendizaje profundo ligero para clasificar las enfermedades pulmonares neonatales a partir de radiografías de tórax, logrando una alta precisión y eficiencia para mejorar los diagnósticos.
Área de la Ciencia:
- Imágenes médicas de imágenes médicas.
- La inteligencia artificial es inteligencia artificial.
- Atención de salud neonatal.
Sus antecedentes:
- Los modelos de aprendizaje profundo demuestran un rendimiento a nivel de expertos en la categorización de imágenes médicas.
- La clasificación precisa de las enfermedades pulmonares neonatales a partir de radiografías de tórax es crucial para una intervención oportuna.
Objetivo del estudio:
- Desarrollar KD-SqueezeNet, un modelo de aprendizaje profundo ligero e interpretable para clasificar las enfermedades pulmonares neonatales.
- Para mejorar la precisión del diagnóstico y la eficiencia en la evaluación de la condición respiratoria neonatal.
Principales métodos:
- Se realizó un análisis retrospectivo de 2.089 radiografías de tórax neonatales.
- Las radiografías de tórax se clasificaron en cinco grupos: displasia broncopulmonar, neumonía, neumotórax, síndrome de dificultad respiratoria y normal.
- El modelo KD-SqueezeNet fue entrenado y validado utilizando una división de datos 8:1:1, con el rendimiento evaluado utilizando precisión, precisión, recuerdo, puntuación F1 y AUROC.
Principales resultados:
- KD-SqueezeNet superó a otros modelos como EfficientNet y Vision Transformer en la clasificación de enfermedades pulmonares neonatales.
- Para la clasificación binaria (sanos / enfermos), KD-SqueezeNet logró un 93% de precisión, precisión, recuerdo y puntuación F1, con un AUROC de 0,97.
- En la clasificación de cuatro clases, el modelo alcanzó un 86% de precisión, precisión, recuerdo y puntuación F1, con AUROC específicos de clase alta que van desde 0.94 a 0.97.
Conclusiones:
- KD-SqueezeNet ofrece una solución computacionalmente eficiente y precisa para el diagnóstico de enfermedades pulmonares neonatales.
- La interpretabilidad y el rendimiento del modelo lo hacen adecuado para un rápido despliegue clínico, ayudando a la toma de decisiones y mejorando los resultados de los pacientes.
- KD-SqueezeNet demuestra un valor clínico significativo en la detección a gran escala, ahorrando tiempo y recursos al tiempo que apoya a los médicos.
