Resumen

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

• Materias:Funciones Flujo de información Estudio de población Modelado de sistemas Modelo de campo
• Subjects:Functions Information flow Population study System modeling Field model
• Palabras claves:Técnicas de aprendizaje automático; Sistema de diagnóstico automatizado; Diagnóstico de cáncer de piel; Características clínicas; Marco de aprendizaje conjunto; Aumento de datos
• Keywords:Machine learning techniques; Automated diagnosis system; Skin cancer diagnosis; Clinical features; Ensemble-learning framework; Data augmentation