COMPARACIÓN DE MÉTODOS DE REDUCCIÓN DE DIMENSIONALIDAD EN LA PREDICCIÓN DE ENFERMEDADES OCULARES MEDIANTE REDES NEURONALES CONVOLUCIONALES

Abstract

Las enfermedades oculares representan un desafío para la salud pública a nivel global. Según la Organización Mundial de la Salud, más de 2.200 millones de personas sufren algún tipo de discapacidad visual, y aproximadamente la mitad de estos casos se habrían podido prevenir con una detección temprana. El diagnóstico tradicional, basado en la revisión manual de imágenes de retina, es costoso, subjetivo y difícil de implementar en regiones con escasez de especialistas. Este trabajo desarrolla y evalúa modelos de clasificación automática de enfermedades oculares a partir del conjunto de datos ODIR-5K (Ocular Disease Intelligent Recognition), aplicando tres métodos de reducción de dimensionalidad: PCA, Análisis Factorial y UMAP, conservando 30 componentes. Sobre estas representaciones se entrenaron cuatro modelos: Regresión Logística, SVM-RBF, CNN y ViT, evaluados con y sin estrategia de pesos de clase, y comparados contra modelos entrenados directamente sobre imágenes completas, incluyendo EfficientNetB3. Los resultados indican que, aunque EfficientNetB3 alcanza la mayor exactitud global, los modelos clásicos sobre representaciones reducidas son competitivos y viables cuando los recursos computacionales son limitados.