ANÁLISIS DEL IMPACTO DE LOS HIPERPARÁMETROS EN EL RENDIMIENTO DE UN CLASIFICADOR DE IMÁGENES DEL SÍNDROME DE SJÖGREN

Abstract

La aplicación de técnicas de aprendizaje profundo en el ámbito de la imagen médica ha permitido desarrollar herramientas capaces de asistir a los especialistas en tareas de clasificación y diagnóstico. En este contexto, el presente trabajo aborda el análisis del impacto de distintos hiperparámetros sobre el rendimiento de una red neuronal convolucional empleada para la clasificación de imágenes histopatológicas de biopsias de glándulas salivales asociadas al síndrome de Sjögren.

Con el objetivo de determinar las configuraciones más adecuadas para esta tarea, se diseñó y ejecutó una búsqueda sistemática de hiperparámetros sobre un modelo basado en transferencia de aprendizaje. Se evaluaron factores como el optimizador utilizado, la tasa de aprendizaje, el número de capas entrenadas, la regularización, el tamaño de lote y diferentes estrategias de aumento de datos. Los experimentos realizados permitieron estudiar la influencia de cada uno de estos parámetros tanto en el rendimiento del modelo como en su capacidad de generalización.

El análisis de los resultados obtenidos permitió identificar las configuraciones más favorables para la clasificación de las imágenes consideradas, así como extraer conclusiones sobre la relevancia relativa de cada hiperparámetro en el proceso de entrenamiento. Este trabajo aporta una visión práctica sobre la optimización de modelos de aprendizaje profundo en escenarios de imagen médica con disponibilidad limitada de datos y establece una base para futuras investigaciones orientadas al apoyo al diagnóstico automático del síndrome de Sjögren.