Modelos de Deep Learning para la detección de Retinopatía Diabética: Una revisión sistemática

• Autor: Angeles Medina, Juan David
• 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:20.500.12802/17038
• Enlace del recurso: https://hdl.handle.net/20.500.12802/17038
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje profundo; CNN; Explicabilidad; Conjuntos de datos; Retinopatía diabética; https://purl.org/pe-repo/ocde/ford#2.02.04

La Retinopatía Diabética (RD) constituye una causa principal de ceguera prevenible, donde la Inteligencia Artificial (IA) emerge como herramienta clave para el diagnóstico temprano. Este estudio presenta un análisis sistemático y bibliométrico de la literatura científica sobre detección de RD mediante modelos de Deep Learning (DL), fundamentado en la metodología PRISMA 2020 y utilizando bases de datos como Scopus y Web of Science entre los años 2016-2024. Se analizaron 50 estudios que revelaron un crecimiento exponencial de publicaciones (R²=0.919), con un predominio de investigación asiática liderada por India y China. En cuanto a las arquitecturas, ResNet emerge como la más implementada, seguida por EfficientNet, mientras que DenseNet demuestra la mayor efectividad con un rendimiento promedio de 92.24% (rango 86.08%-98.40%). Se identificó que APTOS 2019 es el conjunto de datos más utilizado, evidenciando una concentración geográfica que limita la generalización global de los modelos. Las técnicas de preprocesamiento muestran una adopción universal de redimensionamiento y normalización, destacando el aumento de datos como la técnica especializada predominante. Finalmente, los factores limitantes para la implementación clínica incluyen la heterogeneidad metodológica, la escasa validación externa y la ausencia de explicabilidad algorítmica. Las oportunidades futuras prioritarias comprenden la optimización computacional mediante arquitecturas eficientes, el desarrollo de sistemas explicables (XAI) y la diversificación de datos para mejorar la representatividad poblacional global.