Jove
Visualize
Contáctanos

Videos de Experimentos Relacionados

Un marco de demostración de aprendizaje automático educativo para cirujanos plásticos utilizando conjuntos de datos

Kian Daneshi1, Yasona Neocleous2, Abigail G-Medhin3

  • 1School of Population Health and Medicine, University of Sheffield, Sheffield, UK; Department of Bioengineering, Imperial College London, London, UK.

Journal of plastic, reconstructive & aesthetic surgery : JPRAS
|February 28, 2026
PubMed
Resumen

Videos de Conceptos Relacionados

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Specialty representation and interdisciplinary collaboration in hand surgery research over four decades.

The Journal of hand surgery, European volume·2026
Same author

Disparities in Burns Research Authorship in Burn-Specific Journals: Evidence from Low- and Middle-Income Countries.

Journal of burn care & research : official publication of the American Burn Association·2026
Same author

Management and outcomes of acute hand and wrist infections in low- and middle-income countries : a systematic review and meta-analysis.

Bone & joint open·2026
Same author

Mastery Without Martyrdom: Rethinking Surgical Training.

Plastic and reconstructive surgery. Global open·2026
Same author

Facelift Randomized Controlled Trials Compliance With CONSORT Checklist: A Systematic Review.

Aesthetic surgery journal. Open forum·2026
Same author

CONSORT Compliance of Randomized Controlled Trials in Rhinoplasty: A Systematic Review.

Aesthetic plastic surgery·2026
Same journal

Predictors of postoperative complications and unplanned reoperations 90 days following immediate alloplastic breast reconstruction.

Journal of plastic, reconstructive & aesthetic surgery : JPRAS·2026
Same journal

Clinical evaluation of complications and the learning curve in deep plane facelift surgery: A single-surgeon experience.

Journal of plastic, reconstructive & aesthetic surgery : JPRAS·2026
Same journal

Revisiting guidelines for global plastic and reconstructive surgical initiatives: Recommendations from a scoping review of two decades of published evidence.

Journal of plastic, reconstructive & aesthetic surgery : JPRAS·2026
Same journal

Protective association of free flap reconstruction with vascular restenosis after angioplasty in patients with diabetic foot.

Journal of plastic, reconstructive & aesthetic surgery : JPRAS·2026
Same journal

Severity of deformational plagiocephaly: Role of Wormian and Inca bones.

Journal of plastic, reconstructive & aesthetic surgery : JPRAS·2026
Same journal

Impact of systemic tranexamic acid on postoperative drainage in large-volume reduction mammaplasty.

Journal of plastic, reconstructive & aesthetic surgery : JPRAS·2026
Ver todos los artículos relacionados
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas
Este resumen es generado por máquina.

Los cirujanos plásticos ahora pueden crear e implementar herramientas de IA para la detección de melanomas utilizando conjuntos de datos abiertos y aprendizaje automático. Este marco, DermAI-Melanoma, capacita a los médicos con habilidades prácticas en ciencia de datos para mejorar las capacidades de diagnóstico.

Área de la Ciencia:

  • Dermatología y Cirugía Plástica
  • Inteligencia Artificial
  • Aprendizaje Automático
  • Ciencia de Datos

Sus antecedentes:

  • Participación práctica limitada con la ciencia de datos en dermatología y cirugía plástica.
  • Los conjuntos de datos abiertos permiten a los médicos explorar el aprendizaje automático sin infraestructura especializada.
  • DermAI-Melanoma es un marco de demostración de datos abiertos para cirujanos plásticos que utilizan la clasificación de melanomas.

Objetivo del estudio:

  • Demostrar el entrenamiento y la implementación reproducibles de modelos de aprendizaje profundo para la clasificación de melanomas.
  • Proporcionar un estudio de caso didáctico para que los cirujanos plásticos se involucren con la ciencia de datos.
  • Mostrar el uso de conjuntos de datos públicos para el desarrollo de IA en cirugía.
Palabras clave:
Ciencia de datosConjuntos de datosAprendizaje profundoKaggleAprendizaje automáticoCirugía plástica

Videos de Experimentos Relacionados

Principales métodos:

  • Se utilizó el conjunto de datos de melanomas SIIM-ISIC 2020 con estratificación a nivel de paciente para prevenir fugas de datos.
  • Se aplicó preprocesamiento de imágenes que incluye redimensionamiento, balanceo de color y aumento.
  • Se entrenaron dos redes neuronales convolucionales: EfficientNet-B3 y MobileNetV3-Small, implementándolas a través de TensorFlow.js.

Principales resultados:

  • EfficientNet-B3 logró una precisión de prueba del 97%, detectando el 92% de los melanomas.
  • MobileNetV3-Small logró una precisión del 94%, con menos de 5 MB de almacenamiento y menos de 2 segundos de implementación en teléfonos inteligentes.
  • El rendimiento del modelo es comparable a los puntos de referencia de dermatólogos en la literatura sobre detección de melanomas.

Conclusiones:

  • DermAI-Melanoma capacita a los cirujanos plásticos para crear herramientas de IA transparentes y desplegables utilizando datos abiertos.
  • Marcos similares pueden fomentar la educación, la investigación y la innovación en cirugía plástica.
  • Adoptar el intercambio de datos abiertos y la colaboración interdisciplinaria es crucial para avanzar en la IA en cirugía.