Estratègies per abordar el desequilibri de classes en la classificació de lesions cutànies: una comparació entre l’aprenentatge few-shot i les CNN tradicionals

Identificador:  TFM:2533

Handle: https://hdl.handle.net/20.500.11797/TFM2533

Autors:  Iturrate Reyzabal, Ander De

Resum:
Aquest Treball de Fi de Màster investiga models d'aprenentatge automàtic per a la classificació automatitzada de lesions cutànies mitjançant imatges dermatoscòpiques, centrant-se en el desequilibri de classes i la disponibilitat limitada de dades. Es van avaluar les CNN tradicionals, arquitectures avançades com Inception v3 i EfficientNet-B3, i l'aprenentatge de poques vegades (FSL) basat en xarxes prototípiques. L'afinament dels models preentrenats va millorar el rendiment, especialment per a classes minoritàries com el dermatofibroma i les lesions vasculars. EfficientNet-B3 va aconseguir una precisió del 84,7% amb una puntuació macro F1 del 76,6%. FSL va gestionar eficaçment dades escasses, permetent una classificació robusta amb poques mostres de suport. L'estudi emfatitza la integració de la transferència i el metaaprenentatge per construir models generalitzables i fiables per al diagnòstic dermatològic assistit per IA.