Detección de neumonía a partir de radiografías de tórax mediante validación cruzada estratificada y Fine-Tuning de DenseNet121

Resumen

La neumonía es una enfermedad muy común, en especial en zonas altoandinas, su diagnóstico muchas veces suele ser lento por la falta de tecnología o personal, por ello es primordial desarrollar un modelo de Inteligencia Artificial que pueda diagnosticar neumonía mediante placas radiográficas, en este trabajo se entrenó un modelo optimizado para el diagnóstico de neumonía a partir de radiografías de tórax, utilizando Redes Neuronales Convolucionales (CNN) junto con validación cruzada estratificada. La base de datos que se utilizó fue Chest X-ray Images (Pneumonia) de acceso público en Kaggle, el cual fue preprocesado y balanceado para disminuir sesgos de clase. Se seleccionó la arquitectura DenseNet-121, la cual fue ajustada mediante fine tuning, regularización con dropout, y normalización por lotes. Posteriormente se evaluó mediante validación cruzada estratificada con cinco particiones. El modelo mostró un rendimiento promedio excelente, con un valor medio de AUC-ROC de 0,9967 y F1 elevados, especialmente para la clase neumonía, lo que evidencia una alta capacidad de discriminación entre casos normales y patológicos. Estos resultados superan otros resultados por enfoques similares sin validación estratificada ni ajuste fino. Se concluye que la combinación de arquitecturas preentrenadas, técnicas modernas de regularización y una evaluación estadística rigurosa permite mejorar significativamente el diagnóstico automático de neumonía, especialmente útil en regiones con acceso limitado a especialistas o tecnología avanzada.