Diagnóstico de enfermedades bucales en imágenes basado en machine learning

Resumen

La detección automatizada de enfermedades bucales es un reto crucial en odontología. Este estudio analiza el impacto de técnicas avanzadas de aumento de datos y el buen ajuste de hiperparámetros en el rendimiento del modelo YOLOv8 para la identificación precisa de enfermedades orales. Aplicando la metodología CRISP-DM, se procesaron 3814 imágenes etiquetadas, utilizando transformaciones como rotaciones, ajustes de brillo, contraste, y ruido gaussiano, con el fin de aumentar la variabilidad y robustez del entrenamiento. Además, se optimizaron hiperparámetros clave como la tasa de aprendizaje y el tamaño de lote. Los resultados evidenciaron que la combinación de aumento de datos y ajustes óptimos de hiperparámetros mejoró significativamente el desempeño del modelo, alcanzando una precisión del 89.10%, sensibilidad del 86.07%, F1-Score de 87.56% y un mAP@50 del 90.70%. De igual forma, se logró un mAP@50-95 del 56.40%, superando las configuraciones estándar utilizadas en estudios previos. La convergencia estable en las curvas de entrenamiento valida la efectividad de las estrategias aplicadas y la capacidad del modelo para generalizar correctamente. Estos hallazgos destacan la relevancia de aplicar técnicas avanzadas de preprocesamiento y optimización en el diagnóstico automatizado de enfermedades bucales, mejorando la precisión y facilitando una detección temprana en la práctica clínica.