Estudio del desbalance de clases para la predicción del parto prematuro mediante el análisis computarizado de imágenes de ultrasonido transvaginal

Abstract

El parto prematuro (PP) continúa siendo una de las principales causas de mortalidad y morbilidad neonatal. La detección temprana es fundamental para identificar a las mujeres en riesgo y reducir las complicaciones asociadas. Aunque existen diversos biomarcadores para estimar el riesgo de PP, la mayoría se centra en el segundo trimestre, cuando los cambios cervicales son más evidentes. Además, los algoritmos basados en aprendizaje automático presentan limitaciones debido al marcado desbalance de clases, lo que genera modelos sesgados, con baja sensibilidad y altas tasas de falsos negativos. Con el fin de abordar esta limitación, en este estudio se propone un algoritmo para la predicción de PP a partir de imágenes de ultrasonido transvaginal del primer trimestre, incorporando estrategias existentes en el estado del arte para la compensación de desbalance de clases. Para ello, se implementó una red neuronal convolucional (RNC) basada en EfficientNetB4 con estrategias de compensación, empleada en una cohorte retrospectiva de 253 mujeres. La combinación de la arquitectura RNC con borderline-SMOTE obtuvo un AUC de 0.701 (IC: 0.552–0.825), mientras que la función focal loss logró un mejor equilibrio entre sensibilidad y especificidad. Estos hallazgos confirman que abordar el desbalance de clases aumenta la capacidad discriminativa y la sensibilidad del modelo. Asimismo, se evaluó el valor predictivo de la RNC junto con variables clínicas, y todas las configuraciones mostraron mejoras, destacándose la entropía cruzada ponderada con el mejor AUC (0.784; IC: 0.683–0.868). Hasta donde se conoce, este es el primer análisis con aprendizaje profundo aplicado a imágenes transvaginales del primer trimestre para estimar el riesgo de PP, destacando el potencial de biomarcadores tempranos basados en imágenes.