Modelo de clasificación de MPOX a partir de imágenes con Lesiones Cutáneas utilizando Visión Transformer y Redes Neuronales Convolucionales

• Autores: Gonzales Correa, Sarita Ricardina, Guevara Najarro, Walter Ricardo
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Tecnológica del Perú
• Repositorio: UTP-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utp.edu.pe:20.500.12867/12022
• Enlace del recurso: https://hdl.handle.net/20.500.12867/12022
• Nivel de acceso: acceso abierto
• Materia: Viruela símica; Inteligencia artificial; Aprendizaje profundo; Epidemia; https://purl.org/pe-repo/ocde/ford#2.02.04

La viruela del mono es una enfermedad que debido a su expansión fuera de África, comenzó a dar alertas para su prevención y detección temprana, sobre todo en otros países donde se manifestaron algunos casos por primera vez. Presentándose síntomas tales como: dolor de cabeza, dolor muscular, dolor de espalda, escalofríos, inflamación de los ganglios linfáticos, debilidad, agotamiento, dolor de garganta, congestión nasal o tos, asimismo a nivel cutáneo muestra erupciones y lesiones en la piel. El objetivo de la presente investigación, tiene por finalidad evaluar y comparar los distintos modelos de la familia Vision Transformer – Deep Learning, para determinar el nivel de eficiencia de cada uno de ellos en la detección de la viruela símica por medio de una base de datos de imágenes con lesiones cutáneas obtenida desde la página web Kaggle, donde se realizaron las modificaciones pertinentes a dichas imágenes y se ejecutaron los entrenamientos en cada caso para validar la precisión en el proceso de la detección de esta enfermedad e identificar cual sería el más conveniente, el mismo que será materia de nuevas investigaciones y estudios posteriores. La metodología está compuesta de cinco fases: la obtención del dataset y recolección de imágenes, el procesamiento (modificación de imágenes), implementación del deep learning (desarrollo de modelos), evaluación de resultados y finalmente la predicción. Los resultados obtenidos con el modelo PiT (Pooling-based Vision Transformer), con los puntajes para accuracy de 99.80%, precisión de 100%, recall de 99.60% y F1-Score de 99.80%; concluyendo en la robustez del modelo propuesto para la detección de la viruela del mono.