Look-up in Google Scholar
Title: Modelo de visión artificial empleando imágenes de las uñas para la detección no invasiva de anemia ferropénica en estudiantes universitarios
OCDE field: https://purl.org/pe-repo/ocde/ford#2.02.04
Issue Date: 16-Sep-2024
Institution: Universidad Nacional de San Martín. Fondo Editorial
Abstract: En este estudio, se propone el uso de un modelo de visión artificial basado en DenseNet para la detección no invasiva de anemia ferropénica utilizando imágenes de uñas capturadas con smartphones, respondiendo a la necesidad de métodos diagnósticos accesibles y eficientes en contextos educativos. El objetivo principal fue validar los resultados del medidor de hemoglobina Rad-67 mediante este modelo de visión artificial. Se diseñó un protocolo detallado para la recolección de imágenes de uñas de estudiantes, y se construyeron y evaluaron varios modelos, destacándose DenseNet por su desempeño. En el conjunto de validación, DenseNet mostró una precisión de 0.6983, una sensibilidad de 0.6477, un F1-Score de 0.6525 y un AUC ROC de 0.7409, indicando una correlación positiva con los resultados del medidor Rad-67 y demostrando su capacidad para clasificar estados anémicos. A pesar de no alcanzar una precisión extremadamente alta, los avances logrados son significativos, y con ajustes adicionales en el preprocesamiento y la configuración del modelo, es posible mejorar aún más su rendimiento. Este enfoque promete facilitar el diagnóstico temprano y preciso de la anemia, promoviendo el uso de tecnologías móviles y aprendizaje automático para diagnósticos más accesibles y eficientes a nivel global.

In this study, the use of a machine vision model based on DenseNet is proposed for the non-invasive detection of iron deficiency anemia using nail images captured with smartphones, responding to the need for accessible and efficient diagnostic methods in educational contexts. The main objective was to validate the results of the Rad-67 hemoglobin meter using this machine vision model. A detailed protocol was designed for the collection of fingernail images from students, and several models were built and evaluated, with DenseNet standing out for its performance. In the validation set, DenseNet showed an accuracy of 0.6983, a sensitivity of 0.6477, an F1-Score of 0.6525 and an AUC ROC of 0.7409, indicating a positive correlation with the Rad-67 meter results and demonstrating its ability to classify anemic states. Despite not achieving extremely high accuracy, the progress achieved is significant, and additional adjustments to the model's preprocessing and configuration may further improve its performance. This approach promises to facilitate early and accurate diagnosis of anemia, promoting the use of mobile technologies and machine learning for more accessible and efficient diagnostics at a global level.
Discipline: Maestría en Ciencias con mención en Tecnología de la Información
Grade or title grantor: Universidad Nacional de San Martín. Facultad de Ingeniería de Sistema e Informática
Grade or title: Maestro en Ciencias con Mención en Tecnología de la Información
Juror: Alva Arevalo, Alberto; Hernández Torres, Edwin Augusto; Riascos Armas, Juan Orlando
Register date: 13-Dec-2024



This item is licensed under a Creative Commons License Creative Commons