2026-05-05T11:24:21Zhttps://uvadoc.uva.es/oai/request

oai:uvadoc.uva.es:10324/779572025-09-19T19:05:01Zcom_10324_38col_10324_852

Sáez López de Foronda, María Sánchez Pavón, Irene Román Díez, Roberto Universidad de Valladolid. Facultad de Ciencias El objetivo principal de este trabajo fue desarrollar un modelo de inteligencia artificial (IA), basado en redes neuronales, capaz de clasificar retinografías como imágenes de ojos sanos o patológicos. Esta herramienta pretende facilitar el cribado automatizado desde atención primaria y mejorar la derivación temprana de pacientes hacia atención especializada. Para entrenar el modelo, se recopilaron imágenes de fondo de ojo de acceso libre, procedentes de distintos repositorios digitales, clasificadas en dos categorías: sanos y patológicos (con diversas enfermedades retinianas). Se seleccionaron 180 imágenes para el entrenamiento (90 sanas y 90 patológicas) y 360 para la validación (91 sanas y 269 patológicas). El modelo se entrenó utilizando la herramienta Teachable Machine de Google, empleando los parámetros predeterminados. La evaluación se realizó mediante el análisis de sensibilidad, especificidad y media ponderada de acierto, calculada con el nivel de confianza de cada predicción. The main objective of this project was to develop an artificial intelligence (AI) model based on neural networks capable of classifying fundus images as either healthy or pathological. This tool aims to facilitate automated screening in primary care and improve early referral of patients to specialized care. To train the model, publicly available fundus images were collected from various online repositories and classified into two categories: healthy and pathological (with various retinal diseases). A total of 180 images were selected for training (90 healthy and 90 pathological) and 360 for validation (91 healthy and 269 pathological). The model was trained using Google’s Teachable Machine tool with default parameters. Evaluation was carried out by analyzing sensitivity, specificity, and weighted average accuracy, calculated based on the confidence level of each prediction. 2025-09-19 2025-09-19 2025 info:eu-repo/semantics/bachelorThesis https://uvadoc.uva.es/handle/10324/77957 spa info:eu-repo/semantics/openAccess http://creativecommons.org/licenses/by-nc-nd/4.0/ Attribution-NonCommercial-NoDerivatives 4.0 Internacional