Estrategias para abordar el desequilibrio de clases en la clasificación de lesiones cutáneas: una comparación entre el few-shot learning y las CNN tradicionales

Identificador:  TFM:2533

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

Autores:  Iturrate Reyzabal, Ander De

Resumen:
Esta tesis de maestría investiga modelos de aprendizaje automático para la clasificación automatizada de lesiones cutáneas mediante imágenes dermatoscópicas, centrándose en el desequilibrio de clases y la disponibilidad limitada de datos. Se evaluaron redes neuronales convolucionales (CNN) tradicionales, arquitecturas avanzadas como Inception v3 y EfficientNet-B3, y técnicas de aprendizaje con pocos ejemplos (*Few-Shot Learning* o FSL) basadas en redes prototípicas. El ajuste fino (*fine-tuning*) de modelos preentrenados mejoró el rendimiento, especialmente en clases minoritarias como el dermatofibroma y las lesiones vasculares. EfficientNet-B3 alcanzó una precisión del 84,7 % con una puntuación F1 macro del 76,6 %. El enfoque FSL gestionó eficazmente la escasez de datos, permitiendo una clasificación robusta con pocas muestras de soporte. El estudio destaca la importancia de integrar el aprendizaje por transferencia y el meta-aprendizaje para desarrollar modelos generalizables y fiables destinados al diagnóstico dermatológico asistido por inteligencia artificial.