Cervical cytology screening remains dependent on manual analysis, which is time-consuming and subject to variability. This study proposes a leakage-free hybrid deep learning framework for multiclass classification of cervical cells extracted from whole-slide Papanicolaou images. A fine-tuned DenseNet121 feature extractor was combined with three classifiers: Support Vector Machine (SVM), Stacked Extreme Learning Machine (SELM), and Cascaded Deep Forest (CDF). Experiments were conducted on the CRIC Cervix Collection dataset using slide-level data partitioning and group-aware stratified 7-fold cross-validation. Model comparison followed a paired non-parametric protocol (Friedman test with Wilcoxon post hoc and Holm correction). DenseNet121 + CDF achieved the highest cross-validation Accuracy (0.7370 ± 0.0357), significantly outperforming SVM (0.6644 ± 0.0287) and SELM (0.6431 ± 0.0471) (χ2(2) = 11.14, p = 0.0038; Kendall’s W = 0.79). Independent testing showed competitive generalization across models. These results support the statistical robustness of the Cascaded Deep Forest-based hybrid architecture for multiclass cervical cytology classification under realistic slide-level conditions.
Digital higher education requires students to locate, evaluate, organize, and use academic information efficiently; this study determined the relationship between information management and academic effectiveness among 150 Civil Engineering students in Tarapoto, Peru, during 2026; a quantitative, basic, non-experimental, cross-sectional design was applied, using census sampling and two 18-item Likert questionnaires with Cronbach's alpha coefficients of .940 and .908; information management reached a high level in 64.70% of participants and academic effectiveness in 64.00%; because distributions were non-normal, Spearman's rho was used, showing a moderate positive relationship between both variables (rho = .513, p < .001), as well as significant associations for processes (rho = .764), capabilities (rho = .742), and structures (rho = .562); the findings indicate that stronger information management practices are linked to greater academic effectiveness without establishing causality.
La mancha parda afecta la productividad y calidad del cacao, generando pérdidas económicas en la región San Martín. El estudio tuvo como objetivo diseñar un sistema para clasificar imágenes de frutos de cacao afectados por esta enfermedad mediante visión artificial y transferencia de aprendizaje en condiciones reales de campo. La investigación se desarrolló en Chazuta durante 2024. Se recopilaron 3.003 imágenes de frutos sanos y enfermos, segmentadas mediante Mask R-CNN y sometidas a aumento de datos, obteniéndose 12.012 imágenes. Se evaluaron las arquitecturas preentrenadas VGG16, ResNet50 y MobileNetV2 como extractores de características, combinadas con máquinas de vectores de soporte (SVM). El desempeño se evaluó mediante validación cruzada y análisis estadísticos con las pruebas de Levene, ANOVA y Tukey. Todos los modelos superaron el 98,6 % de precisión; VGG16 + SVM alcanzó el mejor desempeño, con una precisión promedio del 99,51 % y diferencias estadísticamente significativas frente a los demás modelos. Se concluye que el enfoque híbrido basado en extracción profunda de características y clasificación mediante SVM es eficaz para detectar automáticamente la mancha parda del cacao y presenta potencial de aplicación en agricultura de precisión.
20 July 2026 in Revista Científica de Sistemas e Informática
El glaucoma es una de las principales causas de ceguera irreversible, por lo que su detección temprana es esencial para prevenir la pérdida visual. La investigación tuvo como objetivo desarrollar y evaluar modelos híbridos de aprendizaje profundo para la clasificación multiclase del glaucoma mediante imágenes de fondo de ojo. Se utilizaron 6014 imágenes retinianas de bases públicas, sometidas a depuración, balanceo y partición estratificada. Las arquitecturas VGG16, ResNet50 y EfficientNet-B0 se emplearon como extractores de características combinados con Cascaded Deep Forest. La evaluación incluyó validación cruzada estratificada de 10 pliegues y una prueba independiente. VGG16 + CDF obtuvo el mejor desempeño, con una accuracy promedio de 0.9320, mayor estabilidad y mejor generalización. Las pruebas estadísticas confirmaron diferencias significativas entre los modelos, demostrando que el enfoque híbrido constituye una alternativa robusta para la clasificación automatizada del glaucoma.