Los puntos clave no están disponibles para este artículo en este momento.
La creciente prevalencia global de condiciones cutáneas, algunas de las cuales pueden escalar a etapas potencialmente mortales si no son diagnosticadas y tratadas a tiempo, presenta un desafío significativo para la salud pública. Este problema es particularmente agudo en áreas remotas donde el acceso limitado a la atención médica a menudo resulta en un tratamiento retrasado, permitiendo que las enfermedades cutáneas avancen a etapas más críticas. Uno de los principales desafíos en el diagnóstico de enfermedades cutáneas son sus bajas variaciones interclase, ya que muchas exhiben características visuales similares, lo que dificulta una clasificación precisa. Esta investigación introduce un nuevo método multimodal para clasificar lesiones cutáneas, integrando imágenes capturadas por teléfonos inteligentes con información clínica y demográfica esencial. Este enfoque imita el proceso diagnóstico empleado por los profesionales médicos. Un aspecto distintivo de este método es la integración de una tarea auxiliar centrada en la predicción de imágenes de super-resolución. Este componente desempeña un papel crucial en el refinamiento de detalles visuales y la mejora de la extracción de características, lo que lleva a una mejor diferenciación entre clases y, en consecuencia, a una mayor efectividad general del modelo. Las evaluaciones experimentales se han llevado a cabo utilizando el conjunto de datos PAD-UFES20, aplicando diversas arquitecturas de aprendizaje profundo. Los resultados de estos experimentos no solo demuestran la efectividad del método propuesto, sino también su potencial aplicabilidad en entornos de atención médica con recursos limitados.
Khurshid et al. (Mon,) estudiaron esta pregunta.