La giardasis causada por la Giardia duodenalis tiene una prevalencia preocupante especialmente entre la población infantil, por lo cual la finalidad de esta investigación es evaluar si un modelo basado en redes neuronales convolucionales presenta una precisión diagnóstica comparable al método de microscopía óptica para la detección de Giardia duodenalis en microfotografías. Para ello se construyó un dataset de 3687 microfotografías de muestras con Giardia dudodenalis, las microfotografías fueron preprocesadas, de este dataset se destinó 70% para entrenamiento, y el 30% para validación y prueba, para luego proseguir con el entrenamiento en la plataforma Google Colab donde se graficaron las matrices de confusión y se documentó todo el proceso. Los resultados mostraron que los modelos seleccionados basado en CNN son equiparables a la microscopía óptica el cual tiene una pr...

Esta revisión sistemática examina la aplicación de Redes Neuronales Convolucionales (CNN) en la identificación de patógenos causantes de enfermedades. Haciendo uso de la metodología PRISMA con mapeo sistemático se analizaron 52 artículos publicados entre 2021 y 2025, seleccionados de un total inicial de 1915 artículos de tres bases de datos científicas. El objetivo fue identificar arquitecturas más efectivas en la detección de patógenos intestinales. Los resultados revelaron que los modelos YOLO, Faster R-CNN y ResNet tienen rendimientos superiores, mostrando exactitudes entre 71-99.9% y métricas promedio de precisión del 85-98%. Gran parte de los estudios se centraron en Plasmodium, bacterias, virus, parásitos y hongos, utilizando mayormente imágenes microscópicas RGB. Las arquitecturas más destacadas incluyeron YOLO para Plasmodium (mAP 96.32%), ResNet para bacterias...