El Departamento de Inteligencia Artificial Aplicada de la Universidad de Sungkyunkwan ha presentado un estudio que explora la efectividad de las Redes Neuronales Profundas en la detección de tumores cerebrales a través de imágenes médicas. Utilizando datos médicos reales, se compararon modelos basados en CNNs, como VGG-16 y ResNet-50, con un modelo Transformer, ViT-Base-16. La investigación destaca cómo la sintonización de hiperparámetros y el modelado avanzado pueden mejorar significativamente el rendimiento predicando la detección correcta de tumores.
Según los resultados del estudio, las CNNs, específicamente VGG-16 y ResNet-50, superaron el desempeño de ViT-Base-16, lo que sugiere que estos modelos son más eficientes para pequeños conjuntos de datos debido quizás a un ajustamiento insuficiente del modelo Transformer a partir de datos limitados. Además, este estudio remarca que métodos de Interpretabilidad de Inteligencia Artificial (XAI) como LIME y SHAP revelaron que los modelos que mostraron un mejor desempeño visualizan los tumores de manera más eficaz, señalando una diferencia crucial en cómo los algoritmos procesan la información de cada imagen.
En un entorno donde la precisión y la fiabilidad son de suma importancia, especialmente en la detección de tumores cerebrales, que son una de las principales causas de mortalidad en adultos, la claridad en la interpretación de los modelos es esencial. Este estudio resalta las limitaciones inherentes de muchos modelos anteriores e intenta resolverlas aplicando técnicas de IA explicable que mejoran la interpretación y la estimación precisa, crucial en la sector salud.
Adicionalmente, se realizó un diseño experimental de aprendizaje por transferencia donde las CNNs junto al modelo Transformer aprendieron en 100 épocas, determinando el mejor modelo en función de la pérdida de validación. Se utilizó ResNet-50, VGG-16, y EfficientNetV2L como preentrenados en Keras y ViT/B-16 como preentrenado en Keras vit. Todos ellos fueron preentrenados en ImageNet.
En el ámbito de la inteligencia artificial aplicada a la salud, este tipo de estudios podría facilitar la identificación temprana de condiciones potencialmente mortales, proporcionando un instrumento poderoso para los profesionales médicos y potenciando la tasa de supervivencia de los pacientes a través de diagnósticos más rápidos y precisos.