| ABSTRACT |
ABSTRACT
El queratocono es una enfermedad ocular degenerativa que causa distorsión visual al afectar la córnea. La detección temprana resulta crucial, sin embargo, los métodos actuales son costosos e inaccesibles. En este trabajo, se propone un sistema de detección de queratocono accesible y fácil de usar basado en el análisis de imágenes mediante técnicas de aprendizaje automático.
Para capturar las imágenes, se utilizó el dispositivo QuickSee (PlenOptika Inc, MA, USA), mientras que para el análisis se emplearon redes neuronales convolucionales. Además, se aplicó un proceso de limpieza de datos utilizando filtros diseñados con técnicas de procesamiento de imágenes para eliminar las imágenes no deseadas, lo cual resultó en la eliminación del 12% de los datos originales. En cuanto a las arquitecturas de las redes neuronales convolucionales, se adoptaron dos enfoques
diferentes: uno utilizando modelos pre-entrenados (Transfer Learning) y otro diseñado desde cero. Ambos enfoques obtuvieron una alta tasa de exactitud, superando el 95% en todos los casos, y una sensibilidad del 92.35% en el caso del modelo sin Transfer Learning, al considerar imágenes de forma individual. Además, al tomar todas las imágenes de cada paciente y quedándose con la predicción mayoritaria, se logró una tasa de acierto del 100% en las pruebas de diagnóstico de los pacientes del conjunto de test.
Estos resultados demuestran que este sistema de detección precoz del queratocono es una herramienta muy prometedora que podría implementarse en el dispositivo QuickSee en un futuro trabajo,
mejorando así la detección global de queratocono y su impacto en la salud ocular a nivel mundial.
|
