Detección de conjuntivitis a partir de imágenes oculares utilizando arquitecturas CNN y un modelo de fusión

Resumen

La conjuntivitis es una causa frecuente de consulta oftalmológica y puede generar complicaciones graves si no se detecta a tiempo. Este estudio evalúa tres arquitecturas de redes neuronales convolucionales preentrenadas —EfficientNetB0, InceptionV3 y ResNet50— para la clasificación automática de imágenes oculares con y sin signos de conjuntivitis. Además, se propone un modelo de fusión que combina las salidas intermedias de InceptionV3 y ResNet50. Todos los modelos fueron entrenados usando aceleración por GPU y técnicas de regularización y aumento de datos. InceptionV3 obtuvo el mejor desempeño general, con una exactitud del 95.00 % y una precisión de 0.98 para la clase positiva y 0.92 para la clase negativa, mostrando un balance sólido entre sensibilidad y especificidad. EfficientNetB0 destacó por alcanzar el mayor recall en la clase positiva y la menor tasa de falsos negativos, aunque con una precisión considerablemente menor. ResNet50 presentó la menor tasa de falsos positivos, siendo útil para reducir diagnósticos erróneos en casos negativos. El modelo de fusión alcanzó métricas competitivas y un tiempo de entrenamiento reducido, demostrando que la integración de arquitecturas puede aumentar la robustez del sistema. Este trabajo ofrece una guía práctica y reproducible para la selección de modelos en el diagnóstico automatizado de conjuntivitis, especialmente útil en contextos con recursos médicos limitados.