**Inicio** Últimos informes **Noticias**

Se presenta el **TabBioMed**: un nuevo conjunto de referencia a gran escala para el aprendizaje tabular en el ámbito biomédico. **TabBioMed**

El **TabBioMed** estandariza la evaluación de 94 conjuntos de datos biomédicos, midiendo el rendimiento de 23 modelos en tareas de clasificación, regresión y múltiples objetivos. **Descripción del proyecto** El **TabBioMed** abarca diversos campos como los registros de salud electrónicos, el descubrimiento de fármacos, la genómica, la transcriptómica, la proteómica, la metabolómica, la omics de células individuales y la biología de sistemas. **Objetivos del proyecto** El objetivo de este proyecto es resolver las prácticas de evaluación fragmentadas en el aprendizaje automático biomédico, proporcionando un marco y conjunto de datos unificados que permitan comparaciones fiables. **Detalles del estudio**

En este artículo se presenta el **TabBioMed**, un conjunto de referencia que busca mejorar la calidad de las evaluaciones en el aprendizaje automático biomédico. **Marco y alcance de los datos**

El **TabBioMed** utiliza un framework y conjunto de datos estandarizados para la preprocesamiento y evaluación, lo que facilita la reproducibilidad de los resultados. **Características de los datos**
Los datos incluyen casos de alta dimensionalidad, grandes tamaños de muestras, datos faltantes y desequilibrios de clases, reflejando las dificultades reales del mundo real en las predicciones biomédicas. **Modelos evaluados**

El estudio evalúa 23 modelos, entre ellos métodos clásicos, árboles de mejora de gradiente, arquitecturas neuronales y modelos fundamentales para el aprendizaje tabular. **Conclusión**

El **TabBioMed** representa un avance importante para el desarrollo del aprendizaje automático biomédico, al proporcionar un marco común y fiable para la evaluación de modelos. **Referencia**

El estudio completo está publicado en arXiv (2611.23779) el 20 de noviembre de 2026.Los modelos de base demostraron el rendimiento predictivo más fuerte a nivel de familia. Sin embargo, el estudio destaca que los modelos basados en árboles y los perceptrones multicapa ajustados siguen siendo competitivos, especialmente bajo restricciones relacionadas con el tiempo de inferencia o los costos de entrenamiento. Esto subraya la naturaleza dependiente del contexto de la selección óptima de modelos en el aprendizaje automático biomédico.```

  • Código abierto
  • Inicie sesión para guardar este artículo Cuenta gratuita: cree su colección de investigación y vuelva a leerlo en cualquier momento.

    ```