Los puntos clave no están disponibles para este artículo en este momento.
Resumen Los avances significativos en los algoritmos de aprendizaje automático tienen el potencial de ayudar en la detección temprana y prevención del cáncer, una enfermedad devastadora. Sin embargo, los métodos de investigación tradicionales enfrentan obstáculos y la cantidad de información relacionada con el cáncer está en rápida expansión. Los autores han desarrollado un sistema de soporte útil utilizando tres modelos de aprendizaje profundo distintos, ResNet-50, EfficientNet-B3 y ResNet-101, junto con el aprendizaje por transferencia, para predecir el cáncer de pulmón, contribuyendo así a la salud y reduciendo la tasa de mortalidad asociada con esta condición. Esta oferta pretende abordar el problema de manera efectiva. Usando un conjunto de datos de 1,000 imágenes DICOM de cáncer de pulmón del repositorio LIDC-IDRI, cada imagen se clasifica en cuatro categorías distintas. Aunque el aprendizaje profundo aún está progresando en su capacidad para analizar y comprender los datos del cáncer, esta investigación marca un paso significativo adelante en la lucha contra el cáncer, promoviendo mejores resultados de salud y potencialmente disminuyendo la tasa de mortalidad. El Modelo de Fusión, al igual que todos los demás modelos, logró una precisión del 100% en la clasificación de Células Escamosas. El Modelo de Fusión y ResNet-50 lograron una precisión del 90%, seguidos de cerca por EfficientNet-B3 y ResNet-101 con precisión ligeramente inferior. Para prevenir el sobreajuste y mejorar la recopilación y planificación de datos, los autores implementaron una estrategia de extensión de datos. La relación entre adquirir conocimiento y alcanzar puntuaciones específicas también se conectó con el avance y la atención al problema de la precisión imprecisa, contribuyendo en última instancia a los avances en salud y a la reducción de la tasa de mortalidad asociada con el cáncer de pulmón.
Kumar et al. (Mon,) estudiaron esta cuestión.