|
|
Vol. 8, e1400, año 2026 ISSN – Online: 2708-3039 DOI:
https://doi.org/10.47796/ing.v8i00.1400 |
Artículo
original
Aplicación de redes neuronales artificiales para la
detección binaria del síndrome del ojo
Application
of artificial neural networks for binary detection of red eye syndrome
Marcelino Torres Villan1*
| Juan
Pedro Santos Fernández2
|
Afiliación: 1,2Escuela de
Ingeniería de Sistemas, Universidad Nacional de Trujillo, La libertad, Perú Autor
de correspondencia: E-mail: *mtorres@unitru.edu.pe |
Información del artículo: Recibido: 17/01/2026 Aceptado: 04/03/2026 Publicado: 13/03/2026 |
Resumen
El síndrome
del ojo rojo es uno de los motivos más frecuentes de consulta en atención
primaria, y su diagnóstico temprano resulta complejo debido a la similitud
clínica entre diversas etiologías. En este estudio se desarrolló y evaluó un
enfoque de detección binaria (“ojo rojo” vs. “normal”) mediante la comparación
de arquitecturas basadas en redes neuronales convolucionales (CNN), modelos
basados en Transformers y un modelo híbrido. Se empleó un conjunto de 2 298
imágenes reorganizadas en dos clases, entrenadas bajo condiciones homogéneas
mediante transfer learning y el uso de hiperparámetros fijos. Los experimentos
se ejecutaron en Python 3.10.0 utilizando PyTorch 2.7.1+cu118, torchvision
0.22.1+cu118, timm 1.0.17, scikit-learn 1.6.1, NumPy 1.26.4, Albumentations
2.0.8 y Matplotlib 3.8.2, sobre un sistema con GPU NVIDIA RTX 4060 (8 GB). Los
resultados evidenciaron un alto desempeño en todos los modelos evaluados (F1
> 0,92, MCC > 0,90 y AUC ≥ 0,98). El modelo híbrido alcanzó el mejor
rendimiento global (AUC = 0,996, MCC = 0,925, F1 = 0,924 y exactitud = 94,20
%). La prueba de McNemar indicó que no existen diferencias estadísticamente
significativas entre el modelo híbrido y el mejor modelo individual (ResNet).
Palabras
clave: hiperemia
ocular; aprendizaje profundo; visión computacional; clasificación binaria.
Abstract
Red eye syndrome is one of the most frequent reasons for consultation in
primary care, and its early diagnosis is challenging due to the clinical
similarity among different etiologies. In this study, a binary detection
approach (“red eye” vs. “normal”) was developed and evaluated by comparing
convolutional neural network (CNN) architectures, Transformer-based models, and
a hybrid model. A dataset of 2,298 images reorganized into two classes was used
and trained under homogeneous conditions using transfer learning and fixed
hyperparameters. The experiments were conducted in Python 3.10.0 using PyTorch
2.7.1+cu118, torchvision 0.22.1+cu118, timm 1.0.17, scikit-learn 1.6.1, NumPy
1.26.4, Albumentations 2.0.8, and Matplotlib 3.8.2, on hardware equipped with
an NVIDIA RTX 4060 GPU (8 GB). The results showed high performance across all
evaluated models (F1 > 0.92, MCC > 0.90, and AUC ≥ 0.98). The hybrid
model achieved the best overall performance (AUC = 0.996, MCC = 0.925, F1 =
0.924, and accuracy = 94.20%). McNemar’s test indicated no statistically
significant differences between the hybrid model and the best-performing
individual model (ResNet).
Keywords: ocular
hyperemia; deep learning; computer vision; binary classification.
1. Introducción
El síndrome del ojo rojo constituye uno de los
motivos de consulta más frecuentes en los servicios de atención primaria y de
emergencia a nivel mundial. Es importante precisar que el “ojo rojo” no
representa una enfermedad única, sino un signo o síndrome clínico observable,
caracterizado principalmente por hiperemia conjuntival (inyección conjuntival)
y asociado a múltiples etiologías. Su presentación clínica, que incluye
hiperemia conjuntival, lagrimeo, dolor ocular, fotofobia y secreción, comparte
signos comunes entre diversas patologías, lo que dificulta un diagnóstico
diferencial preciso en el primer contacto clínico. Estudios recientes, como el
de Sargolzaeimoghaddam (2025), señalan que cerca del 6 % de las atenciones en
medicina general y el 15 % en oftalmología corresponden a cuadros de ojo rojo,
lo que refleja su alta prevalencia y la complejidad de su abordaje inicial.
Esta dificultad resulta aún más evidente en contextos donde el acceso a
oftalmólogos es limitado y los profesionales dependen casi exclusivamente de la
evaluación visual subjetiva.
La literatura internacional muestra que la
variabilidad diagnóstica y el retraso en la identificación de entidades como
conjuntivitis, queratitis, uveítis o glaucoma agudo incrementan el riesgo de
tratamientos inadecuados, el uso innecesario de antibióticos y la progresión
hacia complicaciones visuales severas. Tamimi et al. (2023) reportaron que
aproximadamente el 20 % de los pacientes atendidos por dolor ocular y molestias
inespecíficas fueron clasificados como casos de ojo rojo, lo que evidencia la
necesidad de herramientas complementarias que permitan reducir la subjetividad
clínica. Asimismo, Dag et al. (2024) destacaron que, en servicios de
emergencia, un porcentaje considerable de consultas por ojo rojo no
correspondía a verdaderas urgencias oftalmológicas, lo que revela ineficiencias
en los procesos de triaje y priorización.
En el contexto peruano, estas dificultades se
acentúan debido a limitaciones estructurales del sistema de salud. Se estima
que millones de personas presentan algún grado de discapacidad visual o
condiciones oculares no diagnosticadas oportunamente, lo que genera una elevada
demanda de atención especializada. En regiones como La Libertad, donde el
Instituto Regional de Oftalmología concentra una importante carga asistencial,
la mayoría de establecimientos de salud carece de equipos tecnológicos
avanzados o de personal especializado para realizar diagnósticos oportunos.
Este escenario conduce a tratamientos empíricos, derivaciones tardías y
sobrecarga en los centros de referencia, lo que afecta la calidad y la
oportunidad del servicio. Además, factores ambientales como la presencia de
partículas contaminantes y la exposición prolongada a pantallas digitales han
incrementado los casos de irritación y enrojecimiento ocular, agravando la
demanda asistencial.
Este estudio se fundamenta en la necesidad de
integrar modelos avanzados de inteligencia artificial en el ámbito sanitario,
fortaleciendo el cuerpo teórico de la ingeniería de sistemas aplicada al
diagnóstico clínico. El desarrollo de redes neuronales artificiales contribuye
al avance científico en áreas como visión computacional, ingeniería de software
y ciencias de la salud, permitiendo la creación de herramientas que reduzcan la
subjetividad diagnóstica y aporten mayor rigurosidad en la interpretación de
imágenes oftálmicas. Desde esta perspectiva, el estudio representa un aporte
significativo al conocimiento al explorar arquitecturas modernas que pueden
mejorar la detección del síndrome del ojo rojo y generar evidencia sobre el
potencial del aprendizaje profundo en entornos clínicos.
A nivel práctico y social, la propuesta responde a
una necesidad real en los servicios de atención primaria, donde el personal
médico enfrenta dificultades para diferenciar las causas del ojo rojo en
ausencia de herramientas tecnológicas de apoyo. La implementación de un sistema
automático de diagnóstico puede optimizar la precisión, reducir errores y
agilizar la toma de decisiones, especialmente en zonas rurales o en centros con
limitada disponibilidad de oftalmólogos. Asimismo, al facilitar diagnósticos
oportunos, se pueden prevenir complicaciones visuales, reducir tratamientos
innecesarios y promover una mayor equidad en el acceso a la salud visual.
En este marco, el desarrollo de un sistema
inteligente de detección automática del síndrome del ojo rojo basado en redes
neuronales se presenta como una alternativa estratégica. Este sistema
permitiría reconocer patrones visuales asociados a distintos tipos de ojo rojo,
generar alertas automáticas y priorizar derivaciones, contribuyendo a la
optimización de recursos y a una atención médica más oportuna. En este
contexto, el problema no se limita únicamente a la falta de personal
especializado, sino también a la carencia de soluciones informáticas
inteligentes que apoyen la toma de decisiones en tiempo real dentro del sistema
de salud de Trujillo. En consecuencia, el objetivo general del presente estudio
es desarrollar un modelo de redes neuronales artificiales para la detección binaria del
síndrome del ojo rojo en imágenes oftálmicas. Para ello, se plantean los
siguientes objetivos específicos: (1) entrenar modelos binarios basados en
arquitecturas CNN y Transformers para clasificar imágenes como “ojo rojo” o
“normal”; (2) evaluar el impacto de las arquitecturas DenseNet, ResNet,
Inception, ViT y DeiT sobre el rendimiento del modelo; y (3) implementar un
prototipo web funcional que integre el modelo con mejor desempeño para la
detección automática del ojo rojo.
2. Metodología
2.1. Diseño del estudio
La investigación adoptó un diseño experimental
computacional de tipo comparativo, orientado a evaluar el rendimiento de
distintas arquitecturas de redes neuronales convolucionales (CNN) y modelos
basados en Transformer para la detección binaria del síndrome del ojo rojo a
partir de imágenes oftálmicas. Asimismo, se implementó un modelo híbrido que
combina las arquitecturas consideradas en el estudio.
Cada arquitectura se consideró como una unidad
experimental independiente y fue entrenada bajo las mismas condiciones de preprocesamiento, partición de datos y
evaluación, con el fin de garantizar la reproducibilidad de los experimentos y
permitir comparaciones válidas entre modelos.
2.2. Conjunto de datos
Se
empleó una base de datos pública seleccionada por su disponibilidad, calidad
visual y presencia de etiquetas clínicas, correspondiente al conjunto “Image
Dataset on Eye Diseases Classification (Uveitis, Conjunctivitis, Cataract,
Eyelid) with Symptoms and SMOTE Validation” (Bitto, 2024), disponible en
Mendeley Data. El conjunto está conformado por 2 298 imágenes en formato JPG,
obtenidas en condiciones de iluminación natural y clínica.
El
corpus incluyó las siguientes clases originales: cataratas (544 imágenes),
conjuntivitis (357), párpados caídos (525), normal (649) y uveítis (223),
totalizando 2 298 imágenes. Para los fines de este estudio, las clases fueron
reorganizadas en dos categorías con el fin de establecer un enfoque de
detección binaria: Normal; imágenes etiquetadas como normal y Ojo rojo;
imágenes correspondientes a las clases no normales del repositorio (cataratas,
conjuntivitis, párpados caídos y uveítis).
Para
la partición del conjunto de datos (N = 2 298) se realizó una división en
entrenamiento, validación y prueba en proporción 70 % / 15 % / 15 %, mediante
muestreo estratificado por clase, con el objetivo de preservar la proporción de
imágenes “ojo rojo” y “normal” en cada subconjunto. Esta partición se aplicó de
forma idéntica para todas las arquitecturas evaluadas, garantizando condiciones
experimentales comparables.
Adicionalmente,
se aplicó aumento de datos (data augmentation) con un factor ×10 exclusivamente
sobre el conjunto de entrenamiento, con el objetivo de incrementar la
variabilidad de las muestras durante el proceso de aprendizaje, sin modificar
los conjuntos de validación ni de prueba.
2.3. Arquitecturas evaluadas
Se
seleccionaron cinco modelos representativos de aprendizaje profundo,
correspondientes a arquitecturas CNN y Transformers, además de un modelo
híbrido.
a.
Modelos CNN
DenseNet
Arquitectura
caracterizada por la propagación eficiente de información entre capas, lo que
reduce el problema del gradiente y mejora el aprendizaje de características
visuales sutiles. Xu et al. (2023) reportaron que DenseNet-121 alcanzó un AUC
aproximado de 0,998, con sensibilidad de 97,7 % y especificidad de 98,2 % en la
detección de queratitis, lo que evidencia el alto potencial de esta
arquitectura en aplicaciones oftalmológicas.
ResNet
Considerada una arquitectura de referencia en tareas de visión por
computadora, debido a la incorporación de conexiones residuales que facilitan
el entrenamiento de redes profundas. Hasan et al. (2025) desarrollaron un
sistema explicable para diagnóstico y estadificación de glaucoma basado en
ResNet, alcanzando un AUC de 0.96 (IC 95 %: 0.95–0.98), lo que demuestra su
capacidad para tareas de diagnóstico clínico asistido por inteligencia
artificial.
Inception
Arquitectura diseñada para capturar características a múltiples escalas
mediante módulos paralelos de convolución. Pan et al. (2023) reportaron un
desempeño competitivo de Inception en clasificación binaria de glaucoma frente
a otras CNN en un conjunto amplio de imágenes de fondo de ojo, lo que respalda
su utilidad en tareas de cribado oftalmológico
b.
Modelos Transformer
Vision Transformer
(ViT)
Primer modelo que
adaptó la arquitectura Transformer al procesamiento de imágenes, dividiendo la
entrada en parches y aplicando mecanismos de autoatención para aprender
representaciones globales. Hui et al. (2024) demostraron que los Vision
Transformers pueden superar a las CNN en el análisis de fotografías de fondo de
ojo, evidenciando la capacidad de la autoatención para capturar patrones
globales relevantes.
Data-efficient Image
Transformer (DeiT)
Propuesto para abordar una limitación importante de los Vision
Transformers: la necesidad de grandes volúmenes de datos para su entrenamiento.
Le et al. (2024) reportaron que DeiT mantiene un desempeño competitivo incluso
con conjuntos de datos de tamaño moderado, lo que facilita su aplicación en
contextos clínicos donde los datasets suelen ser limitados.
c.
Modelo híbrido
CNN–Transformer
Con el propósito de combinar la capacidad de las CNN para extraer
características locales con la habilidad de los Transformers para modelar
dependencias globales, se evaluó un modelo híbrido CNN–Transformer. Esta
aproximación busca integrar información espacial detallada con representaciones
globales de la imagen. En este contexto, Rajatha y Ashoka (2025) propusieron el
modelo híbrido EffiViT, el cual alcanzó un AUC de 0.9466 y un F1-score de 0.75,
mostrando mejoras respecto a métodos previos. Estos resultados evidencian el
potencial de las arquitecturas híbridas para tareas de clasificación binaria en
imágenes médicas, lo que justifica su inclusión en el presente estudio para la
detección automática del síndrome del ojo rojo.
2.4. Configuración de entrenamiento e
Hiperparametros
La Tabla 1 presenta
las arquitecturas específicas empleadas en el estudio para cada enfoque
evaluado, incluyendo modelos basados en redes neuronales convolucionales (CNN)
—ResNet-18, Inception-Next-Small y DenseNet-121— y modelos basados en
Transformer —DeiT-Tiny y ViT-Tiny—. Estas arquitecturas fueron seleccionadas
debido a su uso frecuente y al buen desempeño reportado en tareas de
clasificación de imágenes médicas.
|
Tabla 1 Enfoque evaluado de cada arquitectura |
||
|
Arquitectura |
Tipo
de modelo |
Implementación |
|
ResNet |
CNN |
resnet18 |
|
Inception |
CNN |
inception_next_small |
|
DenseNet |
CNN |
densenet121 |
|
DeiT |
Transformer |
deit_tiny_patch16_224 |
|
ViT |
Transformer |
vit_tiny_patch16_224 |
Por otro lado, la
Tabla 2 resume los hiperparámetros de entrenamiento aplicados de manera
uniforme en todos los modelos, con el fin de garantizar condiciones
experimentales homogéneas y permitir comparaciones válidas entre arquitecturas.
Entre los parámetros considerados se incluyen el número máximo de épocas de
entrenamiento, el tamaño de lote, la tasa de aprendizaje, el criterio de early
stopping, el tamaño de entrada de la imagen y el factor de aumento de datos.
|
Tabla 2 Hiperparámetros de entrenamiento para cada modelo |
|
|
Parámetro |
Valor |
|
Número máximo
de épocas |
30 |
|
Tamaño de
lote (batch size) |
32 |
|
Tasa de
aprendizaje |
1,00 × 10⁻⁴ |
|
Paciencia
(early stopping) |
3 |
|
Tamaño de
entrada de imagen |
224 × 224 |
|
Factor de
aumento de datos |
×10 |
Modelo híbrido: mecanismo de fusión
El modelo híbrido se implementó mediante un esquema de ensamble tipo
stacking. En una primera etapa, cada arquitectura base (CNN y Transformers)
genera una salida probabilística a través de la función softmax, produciendo un
vector de probabilidades asociado a cada clase. Posteriormente, estos vectores
se concatenan para formar un único vector de características, que se utiliza
como entrada para un meta-clasificador basado en XGBoost, encargado de producir
la predicción final.
El meta-modelo genera tanto la clase estimada como la
probabilidad asociada a cada categoría, lo que permite integrar la información
proveniente de todos los modelos base en una única decisión final más robusta y
consistente.
La Figura 1 resume el pipeline completo:
preprocesamiento, inferencia con modelos base (CNN y Transformers),
concatenación de probabilidades (softmax) y fusión mediante stacking con
XGBoost. El aumento de datos se aplica únicamente en el conjunto de
entrenamiento.
|
Figura 1 Diagrama de flujo del pipeline y del modelo híbrido
(stacking con XGBoost) |
|
|
2.5. Métricas de
evaluación
La evaluación del rendimiento se realizó mediante las siguientes
métricas ampliamente utilizadas en visión médica:
Exactitud (Accuracy): Representa la proporción de predicciones correctas
respecto al total de casos evaluados. Sin embargo, en presencia de desbalance
de clases esta métrica puede resultar poco representativa; por ello, se
complementa con métricas más robustas como MCC, F1-score y AUC. En estudios de
imágenes médicas, Müller (2022) señala que la exactitud suele utilizarse como
medida general de reconocimiento de patrones. No obstante, valores superiores
al 90 % deben interpretarse con cautela cuando se analizan de forma aislada, ya
que pueden ocultar problemas asociados al desbalance de clases.
Precisión (Precision): Se define
como la proporción de casos correctamente identificados como positivos respecto
al total de muestras clasificadas como positivas por el modelo. Devikala et al.
(2025) destacan que esta métrica permite evaluar la confiabilidad de las
predicciones positivas generadas por el clasificador.
Sensibilidad (Recall): También denominada recall, representa la capacidad
del modelo para identificar correctamente los casos positivos. En el contexto
clínico, esta métrica resulta especialmente relevante para detectar
correctamente a los pacientes con la condición evaluada. Rainio et al. (2024)
indican que la sensibilidad, junto con la especificidad, proporciona una visión
más completa del desempeño del modelo, especialmente cuando existe desbalance
entre clases.
F1-score: El F1-score corresponde a la media armónica entre la
precisión y la sensibilidad, lo que permite evaluar el equilibrio entre ambas
métricas. Molina Arias (2024) señala que esta medida es especialmente útil en
pruebas diagnósticas, ya que integra información tanto del valor predictivo
positivo como de la capacidad de detección del modelo.
Matthews Correlation Coefficient (MCC): El MCC se considera una medida más completa para
evaluar clasificadores binarios, ya que tiene en cuenta verdaderos positivos,
verdaderos negativos, falsos positivos y falsos negativos en un único
indicador. Chicco y Jurman (2020) demostraron que, en comparación con métricas
tradicionales, el MCC mantiene mayor estabilidad estadística y proporciona una
evaluación más equilibrada cuando se analizan datos clínicos complejos.
Área bajo la curva ROC
(AUC): El área bajo la curva
ROC evalúa la capacidad del modelo para discriminar entre clases positivas y
negativas a diferentes umbrales de decisión. Reifs Jiménez et al. (2025)
indican que esta métrica resulta especialmente útil en conjuntos de datos con
desbalance entre clases.
Estas métricas permiten evaluar no solo el rendimiento
global del modelo, sino también su estabilidad en entornos clínicos donde
minimizar los falsos negativos resulta prioritario. Además, se generaron
matrices de confusión y curvas ROC para visualizar el comportamiento de los
clasificadores sobre el conjunto de prueba.
2.6. Análisis estadístico
Para determinar si
existían diferencias estadísticamente significativas entre los modelos CNN,
Transformer y el modelo híbrido, se aplicó la prueba de McNemar, la cual
permite evaluar si las discrepancias observadas entre dos clasificadores se
deben al azar o reflejan diferencias reales en su capacidad de clasificación.
Para la implementación de esta prueba se emplearon las
siguientes librerías de Python:
-
Statsmodels: Utilizada para la ejecución formal de la prueba de
McNemar y el cálculo del estadístico χ² y su valor p, proporcionando una base
estadística robusta.
-
Scipy: Empleada como respaldo para funciones estadísticas
complementarias y validación de resultados.
- Numpy: Utilizada para la
manipulación eficiente de arreglos y la construcción de las tablas de
contingencia a partir de las predicciones de los modelos.
- Pandas: Empleada para la
organización y gestión estructurada de los resultados experimentales y métricas
comparativas.
2.7. Ambiente computacional
Los experimentos se ejecutaron en un entorno
computacional compuesto por un procesador Intel Core i9-13900H con 14 núcleos y
20 hilos a una frecuencia base de 2,60 GHz, acompañado de una GPU NVIDIA RTX
4060 con 8 GB de memoria. El sistema utilizó una unidad de almacenamiento SSD
NVMe Micron 3400 de 512 GB con velocidades aproximadas de lectura y escritura
de 6600/3600 MB/s. Además, se contó con 32 GB de memoria RAM DDR5 (2 × 16 GB) a
5200 MT/s, lo que permitió ejecutar eficientemente los procesos de entrenamiento
y evaluación de los modelos.
El desarrollo y entrenamiento de los modelos se
realizó en Visual Studio Code versión 1.102.1, utilizando Python versión
3.10.0. Para el entrenamiento de redes neuronales se empleó PyTorch (torch
2.7.1+cu118) junto con torchvision 0.22.1+cu118 para tareas de visión por
computadora. Asimismo, se utilizaron las siguientes bibliotecas: timm 1.0.17,
NumPy 1.26.4 y pandas 2.1.3 para procesamiento de datos; scikit-learn 1.6.1
para métricas y utilidades de evaluación; albumentations 2.0.8 para aumento de
datos; matplotlib 3.8.2 para visualización; tqdm 4.67.1 para monitoreo del
progreso de entrenamiento; y psutil 7.0.0 y GPUtil 1.4.0 para el monitoreo de
recursos del sistema.
Para la generación de reportes se utilizaron Pillow 10.4.0
para el manejo de imágenes y reportlab 4.4.0 para la creación de documentos
PDF. El módulo datetime (incluido en Python) se empleó para la gestión de
fechas y horas. Finalmente, la aplicación web desarrollada para el despliegue
del sistema se implementó utilizando HTML, CSS y JavaScript.
Se evaluaron cinco arquitecturas de
aprendizaje profundo: tres redes convolucionales (DenseNet, ResNet e Inception)
y dos modelos basados en Transformer (ViT y DeiT), todas ajustadas para la
clasificación binaria del síndrome del ojo rojo. Para cada modelo se seleccionó
la mejor época de entrenamiento en función del Matthews Correlation Coefficient
(MCC), debido a su mayor robustez frente a posibles desbalances de clase.
En términos globales, como se observa en la
Tabla 3, todos los modelos alcanzaron un rendimiento elevado, con valores de F1 superiores a 0,92, AUC
cercanos o superiores a 0,98 y MCC por encima de 0,90, lo que evidencia una
alta capacidad de discriminación entre las clases “ojo rojo” y “normal.
Estos resultados evidencian un desempeño
alto y consistente entre las arquitecturas evaluadas. La Figura 2 presenta la
comparación gráfica de las principales métricas, donde se observa que todos los modelos superan
umbrales comúnmente aceptados en clasificación médica (F1 > 0,90 y MCC >
0,85), lo que indica una capacidad estable para discriminar entre imágenes con
ojo rojo y ojos normales.
El análisis de la evolución durante el
entrenamiento muestra que el modelo DeiT, seleccionado como referencia para
ilustrar el comportamiento del aprendizaje, redujo su pérdida de entrenamiento
de 0,74 a 0,29 entre las épocas 1 y 6, mientras que el F1-score aumentó de 0,89
a 0,94 y el MCC de 0,86 a 0,92. A partir de este punto, las mejoras adicionales
fueron marginales y se observaron ligeras oscilaciones en las métricas, lo que
sugiere el inicio de un posible sobreajuste. Este comportamiento indica que un
número moderado de épocas de entrenamiento (entre 6 y 10) resulta suficiente
para alcanzar un rendimiento estable, pudiéndose aplicar estrategias de early
stopping para reducir el tiempo de cómputo sin afectar significativamente el
desempeño.
Las matrices de confusión asociadas a la
mejor época de cada modelo evidenciaron un elevado número de aciertos en ambas
clases y un número reducido de falsos negativos, aspecto especialmente
relevante en contextos clínicos donde omitir un caso positivo puede tener
consecuencias importantes para el paciente. En particular, ResNet y DeiT
mostraron una proporción equilibrada de verdaderos positivos y verdaderos
negativos, consistente con sus valores elevados de MCC.
|
Tabla 3 Resumen
de resultados |
||||||||
|
Modelos |
Época |
Pérdida Entrenamiento |
MCC Actual |
F1 |
Precisión |
Recall |
AUC |
Accuracy |
|
DeiT |
6 |
0,291 |
0,918 |
0,936 |
0,938 |
0,936 |
0,990 |
0,936 |
|
DenseNet |
10 |
0,340 |
0,901 |
0,923 |
0,925 |
0,923 |
0,988 |
0,923 |
|
Inception |
7 |
0,312 |
0,900 |
0,922 |
0,922 |
0,923 |
0,992 |
0,923 |
|
ResNet |
9 |
0,330 |
0,918 |
0,938 |
0,941 |
0,936 |
0,993 |
0,936 |
|
Vit |
9 |
0,352 |
0,910 |
0,930 |
0,934 |
0,930 |
0,987 |
0,930 |
|
Figura 2 Resultados de los modelos según las métricas |
|
|
3.1. Rendimiento computacional
Además del desempeño predictivo, se evaluó
el rendimiento computacional de los modelos durante el proceso de
entrenamiento. La Tabla 4 presenta métricas relacionadas con el tiempo de
entrenamiento, uso de CPU, consumo de memoria RAM y utilización de GPU para la
mejor época de cada arquitectura.
Como se observa en la Figura 3, los tiempos
de entrenamiento por época fueron comparables entre arquitecturas, con ligeras
variaciones. Inception presentó el mayor tiempo de entrenamiento, mientras que
ResNet fue el modelo más rápido. Por su parte, los modelos Transformer (ViT y
DeiT) se ubicaron en un rango intermedio debido a su mayor complejidad
computacional. No obstante, el rendimiento obtenido por DeiT en términos de
métricas de clasificación compensó parcialmente este costo adicional. En
contraste, ResNet mostró un equilibrio favorable entre eficiencia computacional
y desempeño predictivo, lo que coincide con su estabilidad reportada en
diversas aplicaciones de clasificación médica
3.2. Resultados del modelo híbrido
El modelo híbrido, basado en la combinación
de arquitecturas CNN (ResNet, Inception y DenseNet) y modelos Transformer (DeiT
y ViT), mostró uno de los mejores desempeños globales entre los enfoques
evaluados. Como se presenta en la Tabla 5, el modelo alcanzó valores elevados y
equilibrados en las métricas de evaluación, destacando por su alta capacidad
discriminativa y estabilidad en la clasificación binaria del síndrome del ojo
rojo.
Asimismo, estos resultados indican que la
integración de información local (CNN) y global (Transformers) contribuye a
mejorar el desempeño general frente a los modelos individuales. La Figura 4
presenta una comparación global de las métricas obtenidas por cada modelo,
evidenciando la ventaja del enfoque híbrido en términos de capacidad
discriminativa.
|
Tabla 4 Rendimiento
computacional de los modelos |
|||||||
|
Modelo |
Época óptima |
Tiempo entrenamiento (s) |
Tiempo validación (s) |
CPU entrenamiento (%) |
RAM entrenamiento (%) |
GPU entrenamiento (%) |
VRAM entrenamiento (MB) |
|
DeiT |
6 |
138,64 |
44,08 |
7,08 |
55,43 |
40,35 |
385 |
|
DenseNet |
10 |
138,45 |
44,75 |
13,71 |
51,41 |
34,96 |
645 |
|
Inception |
7 |
157,41 |
46 |
6,79 |
51,02 |
46,11 |
939 |
|
ResNet |
9 |
132,31 |
54,04 |
23,41 |
61,77 |
15,92 |
1 390,0 |
|
ViT |
9 |
137,8 |
44,14 |
7,17 |
55,01 |
33,88 |
385 |
|
Figura 3 Gráfico de rendimiento |
|
|
|
Tabla 5 Resultado del modelo hibrido |
|||||
|
MCC
Actual |
F1 |
Precisión |
Recall |
AUC |
Accuracy |
|
0,925 |
0,924 |
0,919 |
0,929 |
0,996 |
0,942 |
|
Figura 4 Resumen de las métricas de cada modelo en
general de todos |
|
|
3.3. Comparación estadística entre modelos
Con el fin de fortalecer la evaluación, se
aplicó la prueba de McNemar, cuyos resultados se presentan en la Tabla 6. El
análisis indicó que no existen diferencias estadísticamente significativas
entre el modelo híbrido y ResNet (p = 0,1489).
|
Tabla 6 Resultados de la prueba de McNemar para
la comparación entre ResNet y el modelo híbrido |
||
|
χ² |
p-value |
Interpretación |
|
2,0833 |
0,1489 |
No hay diferencia
significativa en los modelos |
Este resultado sugiere que ambos modelos
presentan un comportamiento de clasificación comparable sobre el mismo conjunto
de prueba, proporcionando respaldo estadístico a la comparación entre
arquitecturas CNN, Transformers y el enfoque híbrido.
3.4. Matrices de confusión y prototipo del
sistema
La
Figura 5 presenta las matrices de confusión correspondientes a los dos modelos
con mejor desempeño global: el modelo híbrido y ResNet. En ambos casos se
observa una adecuada concentración de predicciones en la diagonal principal, lo
que indica una alta concordancia entre las etiquetas reales y las predichas. El
modelo híbrido muestra una ligera reducción en los errores de clasificación,
evidenciando una mejor integración de la información generada por los modelos
base
|
Figura 5 Matrices de confusión de los mejores
modelos (Hibrido – Resnet) |
|
|
Finalmente, la Figura 6 muestra la interfaz
del prototipo web desarrollado para cargar imágenes y visualizar la predicción
generada por el sistema (clase estimada y probabilidad asociada). Esta figura
se incluye como evidencia de implementación del sistema; no obstante, la
validación del desempeño del modelo se sustenta principalmente en las métricas
cuantitativas, matrices de confusión y pruebas estadísticas presentadas.
|
Figura 6 Interfaz del sistema Eyeres |
|
|
Como complemento, el sistema genera un
reporte automático en formato PDF que resume la predicción final del modelo
híbrido junto con la imagen evaluada. Este reporte permite una rápida revisión
del resultado y facilita la trazabilidad del análisis, aunque la evaluación
científica del desempeño se fundamenta en las métricas y análisis estadísticos
previamente descritos
Los resultados obtenidos evidencian un
desempeño alto y consistente en las cinco arquitecturas evaluadas, con valores
de MCC ≥ 0,900, F1 ≥ 0,922 y AUC ≥ 0,987. En particular, el modelo híbrido
alcanzó un rendimiento equilibrado y competitivo, destacando por su elevada
capacidad discriminativa (AUC) y estabilidad global (MCC). Estos resultados
respaldan la hipótesis de que la combinación de arquitecturas CNN y
Transformers puede aportar mayor robustez en tareas de clasificación clínica,
especialmente cuando las señales visuales son sutiles y heterogéneas, como
ocurre en imágenes del segmento anterior del ojo.
Al contrastar estos hallazgos con la
literatura científica, se observa coherencia con estudios que reportan altos
niveles de desempeño en el análisis de imágenes oftálmicas. Por ejemplo, Li et
al. (2021) reportaron un rendimiento cercano al máximo teórico en la detección
de queratitis, con AUC de 0,998, sensibilidad de 97,7 % y especificidad de 98,2
%. Aunque el objetivo clínico y el conjunto de datos utilizados en dicho
estudio difieren del presente trabajo, esta comparación sugiere que, cuando se
dispone de datos bien anotados y representativos, los modelos de aprendizaje
profundo pueden alcanzar niveles elevados de discriminación diagnóstica.
Desde una perspectiva más amplia, el
metaanálisis realizado por Ong et al. (2024) sobre queratitis infecciosa estimó
una sensibilidad de 86,2 % y especificidad de 96,3 % en evaluaciones externas
frente al estándar clínico de referencia, señalando además una comparabilidad
significativa con el desempeño de oftalmólogos en ciertos subanálisis. Estos
resultados son relevantes para la interpretación de los hallazgos del presente
estudio, ya que evidencian que el rendimiento observado en evaluaciones
internas suele disminuir cuando los modelos se enfrentan a conjuntos de datos
externos. En este sentido, aunque los resultados obtenidos muestran un
desempeño sólido en el conjunto evaluado, un paso necesario para fortalecer la
validez clínica del sistema sería realizar validaciones externas o esquemas de
validación cruzada estratificados por fuente o condiciones de captura.
De manera similar, Ueno et al. (2024)
desarrollaron un sistema de inteligencia artificial para la detección de
múltiples enfermedades del segmento anterior utilizando imágenes capturadas con
teléfonos inteligentes. En su estudio reportaron AUC de 0,986 para queratitis
infecciosa y AUC de 0,992 para cataratas, así como valores cercanos a 1,0 en
otras categorías diagnósticas. Aunque dicho trabajo aborda un problema
multiclase y emplea un pipeline diferente, sus resultados respaldan la
capacidad de los enfoques basados en aprendizaje profundo para mantener un alto
nivel de discriminación incluso en escenarios de adquisición de imágenes más
variables, como los obtenidos mediante dispositivos móviles. Este aspecto
resulta especialmente relevante para la propuesta del presente estudio,
orientada hacia el desarrollo de sistemas de apoyo clínico potencialmente
desplegables.
En relación con la comparación entre
arquitecturas CNN, Vision Transformers y modelos híbridos, el estudio de Zhang
et al. (2025) sobre retinopatía diabética (tarea multiclase) reportó que los
enfoques híbridos pueden alcanzar un desempeño más equilibrado al integrar
características locales y globales. En su trabajo, el mejor modelo obtuvo una
exactitud de 72,93 % y un coeficiente QWK de 0,841, reflejando la complejidad
de la clasificación por niveles de severidad. Aunque este contexto difiere del
problema abordado en el presente estudio (clasificación binaria en imágenes del
segmento anterior), dichos resultados aportan evidencia adicional de que las
arquitecturas híbridas pueden mejorar la robustez y estabilidad de los modelos
al combinar distintos mecanismos de representación visual.
A pesar de los resultados prometedores,
este estudio presenta algunas limitaciones que deben ser consideradas. En
primer lugar, la recategorización binaria utilizada se definió de manera
operativa a partir de las etiquetas disponibles en el repositorio, agrupando
distintos diagnósticos en la clase “ojo rojo”. Por lo tanto, la clase positiva
no representa una etiología única y puede incluir variabilidad clínica entre
patologías. En segundo lugar, el conjunto de datos proviene de una fuente
pública y podría no reflejar completamente la variabilidad presente en
escenarios clínicos reales, incluyendo diferencias en dispositivos de captura,
condiciones de iluminación o niveles de severidad de la enfermedad. En tercer
lugar, no se realizó una validación externa multicéntrica, por lo que el
rendimiento observado podría variar al aplicarse en contextos clínicos
distintos. Finalmente, el uso de un modelo híbrido basado en ensamble
incrementa el costo computacional del sistema, lo que podría limitar su
implementación en entornos con recursos tecnológicos restringidos.
Como líneas de trabajo futuro, se plantea
ampliar el conjunto de datos incorporando imágenes provenientes de diferentes
fuentes clínicas, realizar validaciones externas multicéntricas y explorar
técnicas de calibración de probabilidades y métodos de explicabilidad (XAI) que
permitan interpretar las decisiones del modelo. Estas estrategias contribuirían
a fortalecer la confiabilidad del sistema y facilitar su potencial integración
como herramienta de apoyo en la práctica clínica.
5. Conclusiones
El Los resultados obtenidos demuestran que la
inteligencia artificial, aplicada mediante redes neuronales profundas,
constituye una herramienta eficaz para la detección binaria del síndrome del
ojo rojo a partir de imágenes oftálmicas. Todos los modelos evaluados
alcanzaron un alto desempeño, con valores de AUC superiores a 0,98 y MCC
mayores a 0,90, lo que confirma la capacidad de los enfoques de aprendizaje
profundo para analizar de manera confiable este tipo de patologías.
El modelo híbrido, basado en la combinación de
arquitecturas CNN y Transformers, obtuvo el mejor rendimiento global,
alcanzando un AUC de 0,996, un MCC de 0,925, un F1-score de 0,924 y una
exactitud de 94,20 %. Estos resultados evidencian que la integración de
características locales y globales contribuye a mejorar la estabilidad y la
capacidad discriminativa del sistema frente a modelos individuales.
El análisis estadístico mediante la prueba de
McNemar indicó que no se observaron diferencias estadísticamente significativas
entre el modelo híbrido y el modelo individual de mejor desempeño (ResNet), lo
que sugiere un comportamiento consistente entre ambas aproximaciones en la
clasificación de imágenes oftálmicas.
Desde una perspectiva clínica, los resultados
respaldan el potencial de la inteligencia artificial como herramienta de apoyo
al diagnóstico médico, al facilitar la detección temprana del síndrome del ojo
rojo. En este sentido, el sistema propuesto podría contribuir a mejorar los
procesos de cribado, telemedicina y apoyo a la toma de decisiones clínicas,
especialmente en contextos donde el acceso a especialistas en oftalmología es
limitado.
M. Torres: Conceptualización, curación de datos, análisis formal, investigación,
metodología, Administración del proyecto, recursos, software, supervisión,
visualización y redacción del borrador original. J.
P. Santos: Conceptualización, análisis formal, adquisición de fondos, administración del proyecto, supervisión,
validación, redacción del borrador original y revisión y edición del manuscrito.
Conflictos
de interés
Los autores declaran no tener
ningún conflicto de interés relacionado con esta publicación.
Bitto, A. K.
(2024). Image Dataset on Eye Diseases Classification (Uveitis, Conjunctivitis,
Cataract, Eyelid) with Symptoms and SMOTE Validation. Mendeley Data, 2.
https://doi.org/10.17632/n9zp473wfw.2
Chicco, D., &
Jurman, G. (2020). The advantages of the Matthews correlation coefficient (MCC)
over F1 score and accuracy in binary classification evaluation. BMC Genomics
21(1). https://doi.org/10.1186/s12864-019-6413-7
Dag, Y., Seyfi
Aydın, & Ebrar Kumantas. (2024). The profile of patients attending to the
general emergency department with ocular complaints within the last year: is it
a true ocular emergency? BMC
Ophthalmology, 24(1). https://doi.org/10.1186/s12886-024-03608-1
Devikala, S.,
Vinoth, S., Shaby, S. M., Govindaraju, A. B., Vidhya, K., & Vijayalakshmi,
K. (2025). A Multi-Component Attention Graph Convolutional Neural Network Optimized
by the Gooseneck Barnacle Algorithm for High-Precision ECG Arrhythmia
Classification in Sensor-Based Biomedical Systems. Biomedical Signal Processing and Control, 113, 108866. https://doi.org/10.1016/j.bspc.2025.108866
Hasan, M. M., Phu,
J., Wang, H., Sowmya, A., Kalloniatis, M., & Meijering, E. (2025).
OCT-based diagnosis of glaucoma and glaucoma stages using explainable machine
learning. Scientific Reports, 15(1). https://doi.org/10.1038/s41598-025-87219-w
Hui, J., Ang, E.,
Srinivasan, S., Lei, X., Loh, J., Quek, T. C., Xue, C., Xu, X., Liu, Y., Cheng,
C.-Y., Rajapakse, J. C., & Tham, Y.-C. (2024). Comparative Analysis of
Vision Transformers and Conventional Convolutional Neural Networks in Detecting
Referable Diabetic Retinopathy. Ophthalmology
Science, 4(6), 100552–100552. https://doi.org/10.1016/j.xops.2024.100552
Le, N. T., Le
Truong, T., Deelertpaiboon, S., Srisiri, W., Pongsachareonnont, P. F.,
Suwajanakorn, D., Mavichak, A., Itthipanichpong, R., Asdornwised, W.,
Benjapolakul, W., Chaitusaney, S., & Kaewplung, P. (2024). ViT‐AMD: A New
Deep Learning Model for Age‐Related Macular Degeneration Diagnosis From Fundus
Images. International Journal of
Intelligent Systems, 2024(1). https://doi.org/10.1155/2024/3026500
Li, Z., Jiang, J.,
Chen, K., Chen, Q., Zheng, Q., Liu, X., Weng, H., Wu, S., & Chen, W.
(2021). Preventing corneal blindness caused by keratitis using artificial
intelligence. Nature Communications, 12(1). https://doi.org/10.1038/s41467-021-24116-6
Molina Arias, M. (2024). Un
intruso de otro mundo: F1-score. Revista Electrónica AnestesiaR, 16(4), 3. https://doi.org/10.30445//rear.v16i4.1258
Müller, D.,
Soto-Rey, I., & Kramer, F. (2022). Towards a guideline for evaluation
metrics in medical image segmentation. BMC
Research Notes, 15(1). https://doi.org/10.1186/s13104-022-06096-y
Ong, Z. Z., Sadek,
Y., Qureshi, R., Liu, S.-H., Li, T., Liu, X., Takwoingi, Y., Sounderajah, V.,
Ashrafian, H., Ting, D. S. W., Mehta, J. S., Rauz, S., Said, D. G., Dua, H. S.,
Burton, M. J., & Ting, D. S. J. (2024). Diagnostic performance of deep
learning for infectious keratitis: a systematic review and meta-analysis. EClinicalMedicine, 77, 102887. https://doi.org/10.1016/j.eclinm.2024.102887
Pan, Y., Liu, J.,
Cai, Y., Yang, X., Zhang, Z., Long, H., Zhao, K., Yu, X., Zeng, C., Duan, J.,
Xiao, P., Li, J., Cai, F., Yang, X., & Tan, Z. (2023). Fundus image
classification using Inception V3 and ResNet-50 for the early diagnostics of
fundus diseases. Frontiers in Physiology,
14. https://doi.org/10.3389/fphys.2023.1126780
Rainio, O., Teuho,
J., & Klén, R. (2024). Evaluation metrics and statistical tests for machine
learning. Scientific Reports, 14(1). https://doi.org/10.1038/s41598-024-56706-x
Rajatha, &
Ashoka, D. V. (2025). EffiViT: Hybrid CNN-Transformer for Retinal Imaging. Computers
in Biology and Medicine, 191, 110164. https://doi.org/10.1016/j.compbiomed.2025.110164
Reifs Jiménez, D.,
Casanova-Lozano, L., Grau-Carrión, S., & Reig-Bolaño, R. (2025). Artificial
Intelligence Methods for Diagnostic and Decision-Making Assistance in Chronic
Wounds: A Systematic Review. Journal of Medical
Systems, 49(1). https://doi.org/10.1007/s10916-025-02153-8
Sargolzaeimoghaddam,
M., Maral Sargolzaeimoghaddam, Kothari, Z., Sebhat, A. M., & Soleimani, M.
(2025). Review of ophthalmic emergencies in primary care: a comprehensive
approach to red eye. Annals of Eye Science, 10, 20–20. https://doi.org/10.21037/aes-25-10
Tamimi, A., Allawi,
M. N., & Kishore Hanumantharayappa. (2023). Characterization of red eye
cases presented to the eye emergency clinic at a tertiary care hospital during
COVID-19 Pandemic. Oman Journal of
Ophthalmology, 16(2), 220–226. https://doi.org/10.4103/ojo.ojo_224_22
Ueno, Y., Oda, M.,
Yamaguchi, T., Fukuoka, H., Nejima, R., Kitaguchi, Y., Miyake, M., Akiyama, M.,
Miyata, K., Kashiwagi, K., Maeda, N., Shimazaki, J., Noma, H., Mori, K., &
Oshika, T. (2024). Deep learning model for extensive smartphone-based diagnosis
and triage of cataracts and multiple corneal diseases. British Journal of Ophthalmology, 108(10), 1406–1413. https://doi.org/10.1136/bjo-2023-324488
Xu, Z., Xu, J.,
Shi, C., Xu, W., Jin, X., Han, W., Jin, K., Grzybowski, A., & Yao, K.
(2023). Artificial Intelligence for Anterior Segment Diseases: A Review of
Potential Developments and Clinical Applications. Ophthalmology and Therapy, 12(3),
1439–1455. https://doi.org/10.1007/s40123-023-00690-4
Zhang, W.,
Belcheva, V., & Ermakova, T. (2025). Interpretable Deep Learning for
Diabetic Retinopathy: A Comparative Study of CNN, ViT, and Hybrid Architectures.
Computers, 14(5), 187–187. https://doi.org/10.3390/computers14050187