Serviços Personalizados
Journal
Artigo
Indicadores
- Citado por SciELO
- Acessos
Links relacionados
- Citado por Google
- Similares em SciELO
- Similares em Google
Compartilhar
Revista Facultad de Ingeniería
versão impressa ISSN 0121-1129versão On-line ISSN 2357-5328
Resumo
GONZALEZ, Jesús-David e QUINTERO-ROJAS, Jormany. Uso de redes neuronales convolucionales en teléfonos inteligentes para la identificación de enfermedades bucales empleando un pequeño conjunto de datos. Rev. Fac. ing. [online]. 2021, vol.30, n.55, e104. Epub 12-Jul-2021. ISSN 0121-1129. https://doi.org/10.19053/01211129.v30.n55.2021.11846.
El reconocimiento y procesamiento de imágenes es una herramienta adecuada en los sistemas que usan métodos de aprendizaje automático. La adición de teléfonos inteligentes como herramientas complementarias en el área de la salud para el diagnóstico es un hecho hoy en día por las ventajas que presentan. Siguiendo la tendencia de proporcionar herramientas para el diagnóstico, esta investigación tuvo como objetivo desarrollar una aplicación móvil prototipo para la identificación de lesiones bucales, incluyendo lesiones potencialmente malignas, basado en redes neuronales convolucionales, como la detección temprana de indicios de posibles tipos de cáncer en la cavidad bucal. Se desarrolló una aplicación móvil para el sistema operativo Android que implementó la librería de TensorFlow y el modelo de redes neuronales convolucionales Mobilenet V2. El entrenamiento del modelo se realizó por transferencia de aprendizaje con una base de datos de 500 imágenes distribuidas en cinco clases para el reconocimiento (Leucoplasia, Herpes Simple Virus Tipo 1, Estomatitis aftosa, Estomatitis nicotínica y Sin lesión). Se utilizó el 80% de las imágenes para el entrenamiento y el 20% para la validación. Se obtuvo que la aplicación presentó al menos 80% de exactitud en el reconocimiento de cuatro clases. Se usaron las métricas de f1-valor y área bajo la curva para evaluar el desempeño. La aplicación móvil desarrollada presentó un comportamiento aceptable con métricas mayores al 75% para el reconocimiento de tres lesiones, por otro lado, arrojó un desempeño desfavorable menor al 70% para identificar los casos de estomatitis nicotínica con el conjunto de datos elegido.
Palavras-chave : aprendizaje automático; diagnóstico bucal; identificación de enfermedades bucales; inteligencia artificial; medicina preventiva; odontología; tecnología médica; teléfonos inteligentes.