RT info:eu-repo/semantics/bachelorThesis
T1 Screening visual con inteligencia artificial aplicada en imágenes pupilares
A1 Plaza Cimas, Claudia
A2 Universidad de Valladolid. Facultad de Ciencias
K1 Fotorrefracción
K1 Screening visual
K1 Inteligencia artificial
AB Introducción: Las disfunciones visuales en la infancia, como la anisometropía,la ambliopía o el estrabismo, pueden tener consecuencias irreversibles si no sedetectan a tiempo. Sin embargo, las consultas de pediatría no disponen delmaterial ni del tiempo suficiente para poder realizar un correcto screening visual,lo cual impide la detección temprana de patologías importantes que puedenpasar desapercibidas. En este contexto, la fotorrefracción es un método rápido,no invasivo y útil para estimar el estado refractivo del ojo mediante un análisisdel reflejo rojo pupilar.Material y método: Se ha llevado a cabo un estudio piloto, comparativo y noinvasivo, con 32 voluntarios de entre 18 y 45 años, seleccionados de forma nosistemática, y se han aplicado los criterios de inclusión y exclusión con el fin degarantizar la validez del estudio. Se ha realizado una exploración optométricacompleta y se han obtenido imágenes del reflejo rojo de la pupila mediante unacámara seleccionada para fotorrefracción. Las imágenes han sido etiquetadasmanualmente según el tipo de error refractivo (miopía, emetropía ohipermetropía), en función de la localización del reflejo pupilar. Se ha entrenadouna red neuronal convolucional utilizando la herramienta “Teachable Machine2.0” para clasificar automáticamente las imágenes de los ojos, evaluando elrendimiento mediante un análisis estadístico.Resultados: El modelo ha obtenido un rendimiento del 99,2% de precisión sobreel conjunto de entrenamiento, con una media ponderada del 99,5% al considerarel nivel de confianza. Ha clasificado correctamente el 100% de las imágenes deojos miopes y emétropes y el 97,6% de las imágenes de ojos hipermétropes, yha acertado las tres imágenes de un mismo paciente en el 97,6% de los casos.En el conjunto de validación, la precisión ha descendido a un 63,6%,aumentando al 69% al considerar el nivel de confianza. El modelo ha mostradomayor precisión en la clasificación de ojos miopes (88,9%) y menor enhipermétropes (50%) y emétropes (44,4%). A nivel de paciente, ha clasificadocorrectamente las tres imágenes en el 45,5% de los casos.Conclusiones: Los resultados han mostrado una buena capacidad deaprendizaje del modelo, pero también una generalización limitada, lo que haresaltado la necesidad de ampliar la base de datos para mejorar su utilidad comoherramienta de screening visual, especialmente en población pediátrica.
YR 2025
FD 2025
LK https://uvadoc.uva.es/handle/10324/77954
UL https://uvadoc.uva.es/handle/10324/77954
LA spa
NO Departamento de Física Teórica, Atómica y Óptica
DS UVaDOC
RD 05-oct-2025