Desempeño y análisis de características en la detección de cataratas mediante modelos de inteligencia artificial

La detección automatizada de cataratas mediante inteligencia artificial se sustenta en los avances recientes de la visión computacional y el aprendizaje profundo, que permiten analizar imágenes oftalmológicas con precisiones comparables a las de especialistas clínicos. En particular, las redes neuronales convolucionales identifican patrones bioópticos asociados a la opacidad del cristalino incluso en fases tempranas, lo que favorece el diagnóstico oportuno y reduce la dependencia exclusiva de métodos tradicionales. La detección de cataratas continúa siendo un reto relevante en la práctica clínica, ya que el diagnóstico convencional depende de la evaluación de personal médico especializado y del uso de equipos adecuados para el análisis de imágenes de fondo de ojo. Aunque los modelos basados en aprendizaje profundo han demostrado gran potencial para la clasificación automática de la patología, su rendimiento depende de la calidad, tamaño y estandarización de los conjuntos de datos, lo que limita su aplicación uniforme. Además, uno de los principales desafíos es su interpretabilidad, debido a que funcionan como sistemas de “caja negra”, dificultando la comprensión de las características visuales que influyen en sus decisiones y generando desconfianza en su uso clínico. El presente estudio tiene objetivo evaluar el desempeño de métodos de ingeniería de características que apoyen modelos de aprendizaje profundo para la detección automática de cataratas a partir de imágenes de fondo de ojo. Para ello, se empleó el conjunto de datos público ODIR-5K, el cual fue explorado, organizado y sometido a procesos de preprocesamiento. Posteriormente, se implementaron y compararon diferentes arquitecturas de redes neuronales convolucionales, incluyendo modelos avanzados como Resnet 50, InceptionV3 y ResNet50V2, y un clasificador tradicional SVM. La evaluación del desempeño se realizó mediante métricas cuantitativas como exactitud, sensibilidad, precisión, puntaje F1 y PR AUC, permitiendo analizar la capacidad de cada modelo para diferenciar entre ojos sanos y ojos con catarata. Los resultados obtenidos evidencian que los modelos de aprendizaje profundo , apoyados por un adecuado análisis de características visuales, constituyen una herramienta prometedora para el cribado temprano de cataratas, ofreciendo un sistema de apoyo potencial para el diagnóstico oftalmológico en entornos clínicos y de investigación.

• Hovedforfatter: Real Tixe, Alison Paola (author)
• Format: bachelorThesis
• Sprog: spa
• Udgivet: 2026
• Fag: BIOMEDICINA; INTELIGENCIA ARTIFICIAL; VISÓN POR COMPUTADORAS; REDES NEURALES
• Online adgang: http://dspace.ups.edu.ec/handle/123456789/32413