La IA y los problemas difíciles del mundo · Medicina y descubrimiento de fármacos · Nature (computational biology) · 2026-10-17
Un marco jerárquico interpretable de aprendizaje profundo para la detección del cáncer de pulmón y de colon
Título original: An interpretable hierarchical deep learning framework for lung and colon cancer detection
Clasificar el cáncer de pulmón y de colon a partir de imágenes histopatológicas es difícil porque las clases se parecen y la morfología del tejido varía, y los modelos convencionales de aprendizaje profundo ofrecen poca transparencia. Los autores dividen la tarea de cinco clases en etapas de lo general a lo específico: primero tejido normal frente a cáncer, y después un clasificador especializado para las categorías de tejido normal o los subtipos de cáncer, eligiendo para cada etapa la mejor arquitectura. El marco alcanzó una exactitud del 98.50% en LC25000 y del 82.01% en el conjunto de datos independiente LungHist700, y se emplearon Grad-CAM, Grad-CAM++, LIME y Occlusion Sensitivity para resaltar las regiones de la imagen que sustentan sus predicciones.