<\/span><\/h2>\nUna red neuronal convolucional (CNN) es un tipo de red neuronal de inteligencia artificial profunda utilizada en el procesamiento de im\u00e1genes [1]. La red toma una imagen de entrada y el uso de un cat\u00e1logo de im\u00e1genes existentes produce una salida que coincide con la imagen de entrada. Una red neuronal se basa en similitudes de biol\u00f3gicos interconectados neuronas<\/span> y est\u00e1 estructurado de tal manera para aprender y mejorar su rendimiento, en funci\u00f3n de cu\u00e1ntas im\u00e1genes ‘ve’ la CNN y la cantidad de convoluciones (entradas combinadas de dos im\u00e1genes, una nueva y una imagen catalogada existente, para crear una tercera salida) que genera la CNN. <\/span><\/p>\nLas CNN se consideran una nueva herramienta beneficiosa para los dermat\u00f3logos para ayudar a diagnosticar mejor las lesiones. El trabajo que hace una CNN para producir un resultado de diagn\u00f3stico de una imagen es similar a c\u00f3mo un dermat\u00f3logo<\/span> utiliza su entrenamiento y conocimiento: diagnosticar lesiones por un dermat\u00f3logo generalmente implica una imagen de entrada (de un cut\u00e1neo<\/span> lesi\u00f3n<\/span>) alimentarse a trav\u00e9s de una red de procesamiento (las habilidades y el conocimiento del dermat\u00f3logo que lo analiza y sintetiza la informaci\u00f3n disponible) para generar una “clase” (o diagn\u00f3stico) o una “probabilidad de clases” (diagn\u00f3stico diferencial<\/span>) [2].<\/p>\nLa naturaleza visual de dermatolog\u00eda<\/span> se presta bien a las im\u00e1genes digitales de lesiones, y las CNN tienen un enorme potencial para cambiar la pr\u00e1ctica. <\/span>Es un medio multifac\u00e9tico para analizar datos que involucra matem\u00e1ticas complejas y requiere un poder computacional masivo para combinar biolog\u00eda, matem\u00e1ticas y ciencias de la computaci\u00f3n. <\/p>\n<\/span>\u00bfQui\u00e9n usa las redes neuronales convolucionales?<\/span><\/h2>\nLas CNN se han utilizado en aplicaciones militares y civiles, incluidos veh\u00edculos a\u00e9reos no tripulados, el sector tecnol\u00f3gico y el comercio. [3]. Se encuentran en aplicaciones cotidianas, como las plataformas de redes sociales que reconocen autom\u00e1ticamente las caras, en galer\u00edas de fotos autoadhesivas y en sitios web de compras que presentan sugerencias basadas en sus h\u00e1bitos de navegaci\u00f3n en Internet.<\/p>\n
En el campo de la medicina, los investigadores han estado usando CNN para diagnosticar la enfermedad diab\u00e9tica del ojo, arritmias<\/span>y c\u00e1nceres de piel [3\u20135].<\/p>\n\n
\n
\n
\n<\/div><\/div><\/div><\/div>\n
<\/span>Cu\u00e9ntame m\u00e1s sobre redes neuronales convolucionales<\/span><\/h2>\nLa base de una CNN es un m\u00e9todo inform\u00e1tico que es capaz de diferenciar entre diferentes clases de im\u00e1genes en funci\u00f3n de caracter\u00edsticas \u00fanicas que se pueden utilizar de manera confiable para identificar la clase de imagen, como bordes y curvas. Esta base se ampl\u00eda con caracter\u00edsticas m\u00e1s abstractas que se agregan a trav\u00e9s de una serie de agrupaciones convolucionales y capas de salida.<\/p>\n
<\/span>Paso 1: capas convolucionales<\/span><\/h3>\nUna imagen se alimenta a una computadora y se procesa como diferentes disposiciones de p\u00edxeles (puntos), en funci\u00f3n de su color. Este proceso convierte secciones de la imagen de acuerdo con un filtro particular [2]. Los filtros a menudo comienzan analizando caracter\u00edsticas simples como l\u00edneas rectas, l\u00edneas diagonales, l\u00edneas curvas o puntos. Cada vez que se pasa un filtro sobre la imagen original, se crea una nueva versi\u00f3n m\u00e1s peque\u00f1a de la fotograf\u00eda original. A las coincidencias de filtro positivo se les asigna un valor positivo, y a las \u00e1reas que no coinciden se les asigna un valor inferior a 1. Esto da como resultado una imagen enrevesada; por ejemplo, un filtro de l\u00ednea recta pas\u00f3 sobre una imagen de un acral<\/span> nevo<\/span> con un patr\u00f3n de surco paralelo en la dermatoscopia mostrar\u00e1 una imagen de convoluci\u00f3n positiva fuerte. Este paso puede repetirse con otras caracter\u00edsticas para lograr un resultado m\u00e1s preciso (es decir, un diagn\u00f3stico o diagn\u00f3stico diferencial).<\/p>\n<\/span>Paso 2: capa de agrupaci\u00f3n<\/span><\/h3>\nSi la imagen resultante es grande, las capas de las redes neuronales pueden necesitar “agruparse” entre convoluciones posteriores, fij\u00e1ndose en un \u00e1rea de inter\u00e9s en la imagen y eliminando los par\u00e1metros alrededor de esa \u00e1rea [2]. Existen diferentes tipos de agrupaci\u00f3n, pero el tipo m\u00e1s com\u00fan utilizado es el m\u00e9todo de agrupaci\u00f3n m\u00e1xima (consulte la figura a continuaci\u00f3n).<\/p>\n\n<\/span>Un m\u00e9todo simple de “agrupaci\u00f3n m\u00e1xima” de una imagen de 4 x 4 en un grupo de 2 x 2<\/span><\/h5>\n<\/section>\n\n\n
\n
\n<\/div>\n
Un m\u00e9todo simple de “grupo m\u00e1ximo” de una imagen 4×4 en un grupo de 2×2<\/p>\n<\/p><\/div>\n<\/section>\n
<\/div>\n
A menudo hay un paso de normalizaci\u00f3n adicional, que es una t\u00e9cnica com\u00fan para mejorar el rendimiento y la estabilidad de una red neuronal. Esto funciona estandarizando las entradas analizadas por la red neuronal, para garantizar que cada entrada tenga aproximadamente la misma escala<\/span>. Por lo tanto, la red neuronal no asignar\u00e1 una importancia indebida a un filtro de entrada sobre otro simple debido a una diferencia de escala. Este proceso aumenta enormemente la tasa de aprendizaje de una red neuronal.<\/p>\n<\/span>Paso 3: capa de salida<\/span><\/h3>\nPara generar un diagn\u00f3stico diferencial de salida para una lesi\u00f3n sospechosa, la red neutral necesita aplicar una capa completamente conectada basada en todas las capas que ha procesado previamente. Esto es similar a un dermat\u00f3logo que sintetiza las diferentes pistas en un diagn\u00f3stico provisional con un conjunto de diferenciales.<\/p>\n
El CNN ahora se puede entrenar utilizando funciones adicionales para mejorar la precisi\u00f3n y “ense\u00f1arse” a s\u00ed mismo para identificar nuevas lesiones (como la propagaci\u00f3n hacia atr\u00e1s, que ense\u00f1a a la red cuando selecciona un resultado incorrecto para cambiar el peso asignado a los rasgos al seleccionar una salida clase) [1].<\/p>\n
<\/span>\u00bfCu\u00e1les son los beneficios de las redes neuronales convolucionales?<\/span><\/h2>\nLos beneficios de las CNN en el diagn\u00f3stico de lesiones cut\u00e1neas incluyen precisi\u00f3n, velocidad y bajo costo.<\/p>\n
\n- La precisi\u00f3n diagn\u00f3stica cl\u00ednica para melanoma<\/span> es dependiente<\/span> sobre la experiencia y la formaci\u00f3n del m\u00e9dico examinador; Las CNN han podido desempe\u00f1arse tan bien como los dermat\u00f3logos certificados por la junta en circunstancias limitadas, y su precisi\u00f3n continuar\u00e1 mejorando en el futuro [6,7].<\/li>\n
- Actualmente, las CNN tardan de segundos a minutos en llegar al diagn\u00f3stico cuando se enfrentan a una imagen de una lesi\u00f3n cut\u00e1nea. Las entradas, los algoritmos y las salidas se pueden realizar fuera del horario de oficina y cualquier persona con acceso a Internet puede acceder a ellas. Compare este corto tiempo con los tiempos de espera y viaje asociados con una cita con el dermat\u00f3logo, que a menudo es de varios meses en el futuro o m\u00e1s.<\/li>\n
- Los algoritmos pueden ser adaptativos y pueden aprender de agregar nuevas im\u00e1genes con el tiempo.<\/li>\n
- Se pronostica que las CNN podr\u00e1n diagnosticar lesiones por una fracci\u00f3n del costo de una visita a un dermat\u00f3logo.<\/li>\n<\/ul>\n
<\/span>\u00bfCu\u00e1les son las desventajas de las redes neuronales convolucionales?<\/span><\/h2>\nLas advertencias sobre el uso de CNN incluyen las expectativas poco realistas de los pacientes y los profesionales de la salud, los problemas de seguridad y privacidad y la responsabilidad m\u00e9dica legal.<\/p>\n
\n- Existe una gran cantidad de entusiasmo en torno a la tecnolog\u00eda CNN, pero las ventajas tardar\u00e1n en materializarse. Se requieren cantidades masivas de datos e informaci\u00f3n para “entrenar” a las CNN. Se necesitan seres humanos para elegir qu\u00e9 lesiones deben ser examinadas y examinadas por la CNN, y estos profesionales de la salud participantes tambi\u00e9n necesitan capacitaci\u00f3n.<\/li>\n
- Las CNN y cualquier herramienta que ofrezca soporte de diagn\u00f3stico deber\u00e1n ser aprobadas oficialmente como dispositivos m\u00e9dicos, y luego volver a aprobarse a medida que sus algoritmos se expandan [8].<\/li>\n
- Las CNN probablemente estar\u00e1n completamente en l\u00ednea, utilizando almacenamiento basado en la nube, y necesitar\u00e1n tener excelentes sistemas de ciberseguridad para garantizar el respaldo en caso de falla de la base de datos o del servidor, y procesos de autenticaci\u00f3n para evitar el acceso no autorizado. (Se requieren protocolos de cifrado y transferencia segura para almacenar datos de salud personales, y la investigaci\u00f3n solo debe usar datos an\u00f3nimos).<\/li>\n
- Los profesionales de la salud que usen CNN deber\u00e1n comprender que el rendimiento con un conjunto de datos no es necesariamente aplicable a otro; habr\u00e1 diagn\u00f3sticos incorrectos, incluidos falsos positivos (sobrediagn\u00f3stico de benigno<\/span> lesiones como maligno<\/span>) y falsos negativos (p. ej., diagn\u00f3sticos perdidos de c\u00e1ncer<\/span>)<\/li>\n
- La responsabilidad medicolegal para el profesional de la salud que depende de las CNN requiere aclaraci\u00f3n, ya que no existe una precedencia notable. \u00bfSe puede responsabilizar a un algoritmo inform\u00e1tico por un diagn\u00f3stico incorrecto o un diagn\u00f3stico perdido?<\/li>\n<\/ul>\n<\/section>\n","protected":false},"excerpt":{"rendered":"
\u00bfQu\u00e9 es una red neuronal convolucional? Una red neuronal convolucional (CNN) es un tipo de red neuronal de inteligencia artificial profunda utilizada en el procesamiento de im\u00e1genes [1]. La red…<\/p>\n","protected":false},"author":8,"featured_media":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","format":"standard","meta":{"footnotes":""},"categories":[204],"tags":[],"class_list":["post-6587","wiki","type-wiki","status-publish","format-standard","category-glosario-definiciones"],"_links":{"self":[{"href":"https:\/\/doctorhoogstra.com\/fr\/wp-json\/wp\/v2\/wiki\/6587","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/doctorhoogstra.com\/fr\/wp-json\/wp\/v2\/wiki"}],"about":[{"href":"https:\/\/doctorhoogstra.com\/fr\/wp-json\/wp\/v2\/types\/wiki"}],"author":[{"embeddable":true,"href":"https:\/\/doctorhoogstra.com\/fr\/wp-json\/wp\/v2\/users\/8"}],"replies":[{"embeddable":true,"href":"https:\/\/doctorhoogstra.com\/fr\/wp-json\/wp\/v2\/comments?post=6587"}],"version-history":[{"count":0,"href":"https:\/\/doctorhoogstra.com\/fr\/wp-json\/wp\/v2\/wiki\/6587\/revisions"}],"wp:attachment":[{"href":"https:\/\/doctorhoogstra.com\/fr\/wp-json\/wp\/v2\/media?parent=6587"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/doctorhoogstra.com\/fr\/wp-json\/wp\/v2\/categories?post=6587"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/doctorhoogstra.com\/fr\/wp-json\/wp\/v2\/tags?post=6587"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}