Programa del congreso

La psoriasis es una enfermedad inflamatoria crónica con múltiples variantes clínicas cuya identificación temprana resulta clave para un manejo clínico adecuado. En este trabajo presentamos un sistema automático de clasificación de imágenes dermatológicas de psoriasis capaz de distinguir entre cinco de sus variantes (placas, guttata, inversa, pustulosa y eritrodérmica). Para ello, se creó una base de datos híbrida de 995 imágenes, integrando dos fuentes públicas (DermNet y Roboflow Universe) y 54 casos clínicos procedentes de una base de datos privada con imágenes hospitalarias. Sobre este conjunto de datos se aplicó aprendizaje por transferencia usando EfficientNetB0 como extractor de características y un clasificador personalizado con capas densas, batch normalization y dropout. Para reducir el efecto del desbalance entre clases se implementó una estrategia de data augmentation y balanceo. La validación se realizó con un protocolo K-fold estratificado con k = 5 y evaluaciones Leave-One-Out (LOOCV) complementarias. El modelo final alcanzó una precisión media del 92.52%, con un comportamiento estable entre los distintos folds. En este trabajo se presenta una comparativa con otro trabajo reciente en la misma línea de investigación y con resultados del estado del arte en clasificación. Además, se ha realizado una comparación con otras estrategias de aprendizaje profundo en términos de exactitud y tiempos de computación, mostrando las ventajas de la estrategia elegida para poder ser empleada y reproducida en equipos sin necesidades especiales de equipos hardware complejos para computación.