Investigación Científica Aplicada
Comparación de redes neuronales convolucionales para la clasificación de imágenes radiográficas de tuberculosis
El estudio compara tres modelos de deep learning (DenseNet121, MobileNetV2 e InceptionV3) para detectar tuberculosis (TB) en radiografías. Usando 1,400 imágenes (700 TB+ y 700 normales), preprocesadas y divididas en entrenamiento (75%), validación (15%) y prueba (10%), se aplicó transfer learning. MobileNetV2 destacó con 100% sensibilidad (sin falsos negativos) y 0.93 precisión, siendo el más equilibrado. DenseNet121 logró 0.95 precisión pero con 10 falsos negativos, riesgo clínico importante. InceptionV3 tuvo buen rendimiento pero con posible sesgo hacia diagnósticos normales. Conclusión: MobileNetV2 es ideal para diagnóstico automatizado de TB por su balance entre detección confiable y precisión, superando a otros modelos en aplicaciones médicas donde los falsos negativos son críticos.
Descripcion completa
El estudio compara tres modelos de deep learning (DenseNet121, MobileNetV2 e InceptionV3) para detectar tuberculosis (TB) en radiografías. Usando 1,400 imágenes (700 TB+ y 700 normales), preprocesadas y divididas en entrenamiento (75%), validación (15%) y prueba (10%), se aplicó transfer learning. MobileNetV2 destacó con 100% sensibilidad (sin falsos negativos) y 0.93 precisión, siendo el más equilibrado. DenseNet121 logró 0.95 precisión pero con 10 falsos negativos, riesgo clínico importante. InceptionV3 tuvo buen rendimiento pero con posible sesgo hacia diagnósticos normales. Conclusión: MobileNetV2 es ideal para diagnóstico automatizado de TB por su balance entre detección confiable y precisión, superando a otros modelos en aplicaciones médicas donde los falsos negativos son críticos.
Relacionados
Proyectos que podrian interesarte
HEROW
MODIFICACIÓN SUPERFICIAL DE PELÍCULAS DE PLA MEDIANTE EL INJERTO DE GRUPOS COOH/NH2 Y SU EFECTO EN LA ADHESIÓN CELULAR
PERCEPCIÓN Y EFECTIVIDAD DEL USO DE MÓDULOS FOTOVOLTAICOS EN HOGARES DE VALLADOLID, YUCATÁN:ESTUDIO PILOTO.
Efectividad de energías renovables (solar y eólica) en hogares de la Ciudad de Mérida, Yucatán, México.
