CLASIFICACIÓN DE PATOLOGÍAS DE RIÑÓN CON IMÁGENES DE ULTRASONIDO

Abstract

La enfermedad renal crónica afecta a más de 850 millones de personas a nivel mundial y representa una importante carga sanitaria, con una prevalencia del 13.4% que aumenta significativamente con la edad. Uno de los principales métodos de diagnóstico empleados en la práctica clínica es la ecografía, una técnica de imagen ampliamente utilizada debido a su bajo coste, disponibilidad y ausencia de radiación ionizante. Sin embargo, esta técnica presenta limitaciones importantes, como que es dependiente de la experiencia del operador, la variabilidad subjetiva en la interpretación de hallazgos, y los tiempos de espera excesivos para su realización. Frente a esta problemática, el presente trabajo propone la implementación de modelos de redes neuronales convolucionales capaces de clasificar de manera automática distintas patologías renales en imágenes de ultrasonido. Este desarrollo pretende aportar una herramienta de apoyo al diagnóstico que actúe como primer filtro en entornos con escasez de especialistas, o alta presión asistencial. Para ello, se ha creado con un conjunto de datos real, procedente del servicio de Radiología del Hospital Universitario La Paz. Se ha desarrollado un modelo basado en la arquitectura ResNet-18, entrenado mediante distintas técnicas de aumento de datos, regularización y estrategias de balanceo de clases. El sistema ha sido evaluado sobre un conjunto de prueba independiente, compuesto exclusivamente por imágenes etiquetadas por radiólogos expertos, con el fin de simular un entorno clínico real. A lo largo del trabajo se abordaron tres principales tareas de clasificación: la distinción entre casos normales y patológicos, una clasificación multietiqueta entre las dos patologías renales más frecuentes (dilatación y litiasis), y una clasificación multietiqueta que contempla hasta cuatro categorías patológicas. En la tarea binaria de clasificación normal vs. patológico, el modelo alcanzó una sensibilidad del 82%, aunque a costa de una precisión del 33%. En la clasificación entre litiasis y dilatación, se obtuvieron sensibilidades del 73.3% y 74.6%, respectivamente. Si bien estos resultados pueden considerarse aceptables, especialmente en el contexto de una herramienta de apoyo al diagnóstico, la clasificación multietiqueta general aún presenta dificultades, particularmente en aquellas clases con menor representación. Como línea futura, se propone continuar ampliando y balanceando el conjunto de datos con el objetivo de optimizar el rendimiento del modelo en todas las clases.