Identificación y clasificación multicategoría de la retinopatía diabética utilizando aprendizaje por transferencia: Un enfoque integral para un diagnóstico mejorado

La retinopatía diabética, un trastorno comúnmente observado asociado con la diabetes mellitus, se distingue por la aparición de irregularidades en la retina que afectan negativamente las capacidades visuales. En ausencia de una identificación oportuna, esta condición tiene el potencial de avanzar y resultar en un compromiso de la función visual. Si bien se ha demostrado que el proceso de diagnóstico manual realizado por oftalmólogos es efectivo, se caracteriza por procedimientos que consumen mucho tiempo, esfuerzos laborales intensivos, costos significativos y susceptibilidad a errores de diagnóstico. Por otro lado, los procedimientos de diagnóstico asistido por computadora ofrecen una alternativa altamente eficiente y precisa. La utilización de técnicas de aprendizaje profundo, especialmente en la interpretación de imágenes médicas, ha demostrado una efectividad mejorada. Este estudio presenta una metodología innovadora de aprendizaje profundo para detectar y clasificar automáticamente la retinopatía diabética. Este estudio propone la utilización de un modelo de red neuronal convolucional basado en la arquitectura ResNet50 para identificar y clasificar imágenes retinianas en cinco categorías distintas, que corresponden a diferentes fases de la retinopatía diabética. El modelo muestra una precisión de validación del 95.01% y una precisión de entrenamiento del 98.70%, acompañada de un puntaje Cohen Kappa de 0.96 con una pérdida negligible. La eficiencia del modelo propuesto se evalúa utilizando el conjunto de datos de detección de retinopatía diabética, demostrando su capacidad para identificar automáticamente la retinopatía diabética. Esta investigación tiene el potencial de ser aplicada en el ámbito de la salud, específicamente para diagnosticar complicaciones retinianas en individuos con diabetes.