Análisis comparativo de algoritmos de clasificación para el diagnóstico de glaucoma a partir de imágenes tomográficas de la retina

• Autores: Paz Monteza, Antonio Eduardo, Zurita Jimenez, Nancy Karina
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/16588
• Enlace del recurso: https://hdl.handle.net/20.500.12802/16588
• Nivel de acceso: acceso abierto
• Materia: Imágenes tomográficas de retinas; Modelos de aprendizaje supervisado; Detección automatizada; Evaluación de algoritmos; Glaucoma; https://purl.org/pe-repo/ocde/ford#2.02.04

El glaucoma es una de las fundamentales causas de ceguera a nivel mundial, perjudicando a 76 millones de personas en el 20020 y teniendo una expectativa de proyección de 111,8 millones para el 2040, según la OMS. En el Perú el 50% de los pacientes desconocen que sufren esta enfermedad debido a su dificultad para ser detectada en etapas tempranas, por lo que su detección rápida es crucial. Los métodos tradicionales, aunque efectivos, tienen mucha dependencia de especialista y estas propensos a un mayor grado de erro, lo que ha inspirado a realizar la aplicación de inteligencia artificial para mejorar la precisión y accesibilidad en el diagnóstico. Este estudio se centra en un análisis comparativo de tres algoritmos de clasificación para el diagnóstico de glaucoma utilizando imágenes OCT. Se utilizó un conjunto de datos de 1005 imágenes, con tres algoritmos principales: Maquinas de Vector de Soporte (SVM), Random Forest (RF), Redes Neuronales Convolucionales (CNN). Los resultados demostraron que CNN obtuvo el mejor resultado en base a entrenamiento y validación, las métricas de evaluación que se realizaron fueron Recall, Exactitud, F1-Score y precision siendo CNN quien obtuvo en entrenamiento un 99%, destacando su deteccion precisa y eficiente; RF destaco con una alta precisión de entrenamiento (100%) pero un rendimiento de validación inferior al (76%); SVM, aunque eficaz, reveló un ligero descenso en la validación. Este estudio confirma la hipótesis planteada sobre el Dominio de CNN, subrayando la importancia del aprendizaje profundo en el diagnóstico rápido de glaucoma