Cookies y Privacidad
Usamos cookies propias y de terceros para mejorar la experiencia de nuestros usuarios, analizar el tráfico del sitio y personalizar contenido. Si continúas navegando, asumimos que aceptas su uso. Para más información, consulta nuestra Política de Cookies
Modelo de diagnóstico remoto y triaje para el cáncer de piel utilizando EfficientNet y Extreme Gradient Boosting
Debido a la exitosa aplicación de técnicas de aprendizaje automático en varios campos, los sistemas de diagnóstico automatizado en el sector de la salud han estado aumentando a un ritmo elevado. El objetivo del estudio es proponer un modelo automatizado de diagnóstico y triaje de cáncer de piel, y explorar el impacto de integrar las características clínicas en el diagnóstico y mejorar los resultados obtenidos por el estudio de la literatura. Utilizamos un marco de aprendizaje de conjunto, que consiste en el modelo de aprendizaje profundo EfficientNetB3 para el análisis de lesiones cutáneas y Extreme Gradient Boosting (XGB) para los datos clínicos. El estudio utilizó el conjunto de datos PAD-UFES-20 que consta de seis categorías desequilibradas de cáncer de piel. Para superar el desequilibrio de datos, utilizamos aumentación de datos. Se realizaron experimentos utilizando solo lesiones cutáneas y la combinación de lesiones cutáneas y datos clínicos. Descubrimos que la integración de datos clínicos con lesiones cut
Autores: Khan, Irfan Ullah; Aslam, Nida; Anwar, Talha; Aljameel, Sumayh S.; Ullah, Mohib; Khan, Rafiullah; Rehman, Abdul; Akhtar, Nadeem
Idioma: Inglés
Editor: Hindawi
Año: 2021
Disponible con Suscripción Virtualpro
Artículo científico
Categoría
Ingeniería y Tecnología
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 7
Citaciones: Sin citaciones
Hindawi
Complexity
Volume , Article ID 5591614, 13 pages
https://doi.org/10.1155/2021/5591614
Khan Irfan Ullah0, Aslam Nida0, Anwar Talha0, Aljameel Sumayh S.0, Ullah Mohib0, Khan Rafiullah0, Rehman Abdul0, Akhtar Nadeem0
Department of Computer Science Saudi Arabia, National University of Computer and Emerging Sciences Pakistan, Institute of Computer Science and Information Technology Pakistan, Department of Computer Science and IT Pakistan, Department of Computer Science and IT PakistanAcademic Editor: Pan Yongping
Contact: @hindawi.com
Debido a la exitosa aplicación de técnicas de aprendizaje automático en varios campos, los sistemas de diagnóstico automatizado en el sector de la salud han estado aumentando a un ritmo elevado. El objetivo del estudio es proponer un modelo automatizado de diagnóstico y triaje de cáncer de piel, y explorar el impacto de integrar las características clínicas en el diagnóstico y mejorar los resultados obtenidos por el estudio de la literatura. Utilizamos un marco de aprendizaje de conjunto, que consiste en el modelo de aprendizaje profundo EfficientNetB3 para el análisis de lesiones cutáneas y Extreme Gradient Boosting (XGB) para los datos clínicos. El estudio utilizó el conjunto de datos PAD-UFES-20 que consta de seis categorías desequilibradas de cáncer de piel. Para superar el desequilibrio de datos, utilizamos aumentación de datos. Se realizaron experimentos utilizando solo lesiones cutáneas y la combinación de lesiones cutáneas y datos clínicos. Descubrimos que la integración de datos clínicos con lesiones cut
Descripción
Debido a la exitosa aplicación de técnicas de aprendizaje automático en varios campos, los sistemas de diagnóstico automatizado en el sector de la salud han estado aumentando a un ritmo elevado. El objetivo del estudio es proponer un modelo automatizado de diagnóstico y triaje de cáncer de piel, y explorar el impacto de integrar las características clínicas en el diagnóstico y mejorar los resultados obtenidos por el estudio de la literatura. Utilizamos un marco de aprendizaje de conjunto, que consiste en el modelo de aprendizaje profundo EfficientNetB3 para el análisis de lesiones cutáneas y Extreme Gradient Boosting (XGB) para los datos clínicos. El estudio utilizó el conjunto de datos PAD-UFES-20 que consta de seis categorías desequilibradas de cáncer de piel. Para superar el desequilibrio de datos, utilizamos aumentación de datos. Se realizaron experimentos utilizando solo lesiones cutáneas y la combinación de lesiones cutáneas y datos clínicos. Descubrimos que la integración de datos clínicos con lesiones cut