medigraphic.com
Órgano de Difusión de la Asociación Académica Panamericana de Medicina Familiar A.C.

2025, Número 3

Siguiente >>

Arch Med Fam 2025; 27 (3)


Personalización de modelos y entrenamiento con tensorflow: desafíos importantes para la medicina actual

Hernández-Navas JA, Dulcey-Sarmiento L, Gómez- Ayala J, Therán-León JS

Idioma: Español
Referencias bibliográficas: 7
Paginas: 103-104
Archivo PDF: 130.32 Kb.


FRAGMENTO

La inteligencia artificial (IA) está transformando la medicina, con avances significativos en diagnóstico, pronóstico y personalización de tratamientos. Entre las herramientas disponibles, TensorFlow se ha consolidado como una de las plataformas más poderosas para el desarrollo y entrenamiento de modelos de aprendizaje automático en el ámbito médico. La posibilidad de personalizar modelos en función de datos clínicos específicos ha abierto nuevas oportunidades para la detección temprana de enfermedades, la estratificación de riesgos y la optimización en la toma de decisiones clínicas. No obstante, el entrenamiento de modelos en entornos médicos plantea desafíos significativos, relacionados con la calidad de los datos, la interpretabilidad de los modelos y su integración en la práctica asistencial.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Akbari A, Martinez J, Jafari R. A Meta-LearningApproach for Fast Personalization of Modality TranslationModels in Wearable Physiological Sensing. IEEEJ Biomed Health Inform [Internet]. 2022 Apr 1 [cited 2025 Apr 1];26(4):1516–27. Available from: https://pubmed.ncbi.nlm.nih.gov/34398767/

  2. Zhao Y, Liu Q, Liu P, Liu X, He K. Medical FederatedModel With Mixture of Personalized and Shared Components.IEEE Trans Pattern Anal Mach Intell. 2025Jan;47(1):433-449. doi: 10.1109/TPAMI.2024.3470072.Epub 2024 Dec 4. PMID: 39331555.

  3. Raza M. Federated Learning in AI: How It Works, Benefitsand Challenges. Splunk. August 28, 2023. Availablefrom: https://www.splunk.com/en_us/blog/learn/federated-ai.html#:~:text=El%20aprendizaje%20federado%20en%20inteligencia,un%20sistema%20de%20entrenamiento%20unificado.

  4. Ley 1581 de 2012 - Gestor Normativo [Internet]. Gov.co.[citado el 6 de junio de 2025]. Disponible en: https://www.funcionpublica.gov.co/eva/gestornormativo/norma.php?i=49981

  5. Zeng X, Linwood SL, Liu C. Pretrained transformer frameworkon pediatric claims data for population specifictasks. Sci Rep [Internet]. 2022 Dec 1 [cited 2025 Apr1];12(1). Available from: https://pubmed.ncbi.nlm.nih.gov/35256645/

  6. Ravishankar H, Paluru N, Sudhakar P, Yalavarthy PK.Information Geometric Approaches for Patient-SpecificTest-Time Adaptation of Deep Learning Modelsfor Semantic Segmentation. IEEE Trans Med Imaging[Internet]. 2025 [cited 2025 Apr 1];PP. Available from:https://pubmed.ncbi.nlm.nih.gov/40031589/

  7. Zhang YC, Kagen AC. Machine Learning Interface forMedical Image Analysis. J Digit Imaging [Internet].2017 Oct 1 [cited 2025 Apr 1];30(5):615–21. Availablefrom: https://pubmed.ncbi.nlm.nih.gov/27730415/




2020     |     www.medigraphic.com