Resumen:
Esta tesis desarrolla modelos de aprendizaje automatizado para detectar retinopatía diabética de forma temprana a partir de electrorretinogramas, explorando dos técnicas: escalogramas clasificados con redes convolucionales y datos sintéticos evaluados con diversos algoritmos, donde el mejor resultado (ROC-AUC del 86%) se obtuvo con Bosques Aleatorios y datos aumentados, ofreciendo una alternativa más accesible que los métodos tradicionales basados en imágenes de fondo de retina.
Descripción:
Esta tesis propone el desarrollo de modelos de aprendizaje automatizado y aprendizaje profundo para la detección temprana de retinopatía diabética, utilizando datos provenientes de estudios de electrorretinogramas como una alternativa menos invasiva y más accesible frente a los métodos convencionales basados en imágenes de fondo de retina. El trabajo aborda dos técnicas complementarias: la generación de escalogramas mediante transformadas wavelet para su clasificación con Redes Neuronales Convolucionales, y la generación de datos sintéticos para evaluar el desempeño de diversos algoritmos de clasificación, tanto tradicionales como de aprendizaje profundo, incluyendo procesos de optimización de hiperparámetros y extracción de características para cada enfoque.
