Identificación de patógenos causantes de infecciones intestinales mediante redes neuronales: Una revisión sistemática

• Autores: Altamirano Chavez, Dilmer, Villanueva Rojas, Angel Obed
• 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:20.500.12802/14035
• Enlace del recurso: https://hdl.handle.net/20.500.12802/14035
• Nivel de acceso: acceso abierto
• Materia: Redes Neuronales Convolucionales; Parásitos; Bacterias; Patógenos; Detección; Imágenes RGB; https://purl.org/pe-repo/ocde/ford#2.02.04

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 (exactitud 97.78%) y RF-CNN-GRU para parásitos (exactitud 99.8%). Se pudo identificar una evidente evolución hacia modelos híbridos más eficientes, con potencial significativo para mejorar diagnósticos en entornos con recursos limitados. La investigación concluye que el campo de la detección de patógenos mediante CNN está en rápida evolución, con una inclinación por las arquitecturas más robustas, profundas, rápidas y ligeras como es el caso de MobileNet una CNN enfocada más para dispositivos móviles, debido a su baja capacidad computacional. Asimismo, las tendencias metodológicas apuntan hacia un enfoque híbrido que combina múltiples arquitecturas y técnicas de preprocesamiento estandarizadas.