Explicabilidad de Vision Transformer (ViT) para la identificación de anemia mediante análisis colorimétrico de imágenes de la conjuntiva palpebral

• Autores: Maza Huaman, Jorge Alexander, Rodas Vigo, Manuel Oswaldo
• Formato: tesis de grado
• Fecha de Publicación: 2026
• Institución: Universidad Señor de Sipan
• Repositorio: USS-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.uss.edu.pe:20.500.12802/17140
• Enlace del recurso: https://hdl.handle.net/20.500.12802/17140
• Nivel de acceso: acceso abierto
• Materia: Anemia; Detección no invasiva; Aprendizaje profundo; Inteligencia artificial explicable; Vision Transformer; https://purl.org/pe-repo/ocde/ford#2.02.04

La anemia es un problema de salud pública que impacta desproporcionadamente a poblaciones vulnerables, en particular niños en etapa de crecimiento. El diagnóstico convencional por análisis de sangre sigue siendo bastante invasivo, caro, y en zonas con infraestructura médica limitada, poco accesible. Frente a esta problemática, el presente trabajo de investigación presenta un enfoque no invasivo para la identificación automatizada de anemia mediante el análisis colorimétrico de imágenes de la conjuntiva palpebral, haciendo énfasis en la explicabilidad de modelos Vision Transformer (ViT) dentro de un marco de aprendizaje profundo. El enfoque propuesto combina una red neuronal U-Net para la segmentación automática de la región palpebral y ViT para la clasificación binaria de anemia. También se incluye la técnica DeepLIFT, que permite a sistemas complicados de aprendizaje automático identificar y en cierto modo “dibujar” las partes de la imagen que son responsables de la decisión, enriqueciendo la interpretabilidad del sistema. El modelo fue entrenado en un conjunto de datos clínicos de 416 imágenes y se evaluó en función de métricas de precisión, sensibilidad y puntuación F1. Los resultados mostraron una puntuación F1 de 0.91 para la clase “con anemia”, una precisión global del 88%, y una interpretación consistente de las predicciones a través de mapas de relevancia. Finalmente, el modelo fue implementado en una aplicación de usuario. Estos hallazgos destacan la viabilidad del modelo como una herramienta de apoyo diagnóstico no invasiva, precisa y transparente, demostrando su evaluación en entornos de salud pública con recursos limitados.