JavaScript está deshabilitado
La función JavaScript de su navegador está deshabilitada. Deberá habilitarla para utilizar esta función de ConfTool.
Podrá encontrar aquí información sobre cómo habilitar JavaScript
Si tiene algún problema, póngase en contacto con los organizadores en secretaria@caseib.es.

Programa del congreso

Resúmenes y datos de las sesiones para este congreso. Seleccione una fecha o ubicación para mostrar solo las sesiones en ese día o ubicación. Seleccione una sola sesión para obtener una vista detallada (con resúmenes y descargas, si están disponibles).

Resumen diario

Sesión

Mi-P1: Sesión de pósteres I
Lugar: Zona pósteres

P1: Sesión de pósteres I

Presentación 11

Diagnosing Trichomonas vaginalis in Gram Stain Images Using Transfer Learning with EfficientNet V2 XL

Fernando Ortega Ojeda^1,3, Daniella Peña Pedraza¹, Manuel Linares Rufo², Francisco Javier Bueno Guillén¹, Carlos García bertolín², Harold Bermúdez Marval²

1: Departamento de Ciencias de la Computación, Universidad de Alcalá, Ctra. Madrid-Barcelona Km. 33.6, 28871 Alcalá de Henares, Madrid, Spain; 2: Servicio de Microbiología, Hospital Universitario Príncipe de Asturias (HUPA), Alcalá de Henares, Madrid, Spain.; 3: Instituto Universitario de Investigación en Ciencias Policiales (IUICP), Universidad de Alcalá, Libreros 27, 28801 Alcalá de Henares, Madrid, Spain.

1. Introducción Trichomonas vaginalis es la infección de transmisión sexual no viral más prevalente a nivel mundial y continúa infradiagnosticada, especialmente en entornos con recursos limitados [1]. La tinción de Gram, aunque accesible y disponible en la mayoría de los laboratorios, ha sido poco utilizada para este fin debido a la distorsión morfológica del parásito y su posible confusión con otros elementos celulares [2]. En este contexto, la inteligencia artificial (IA) aplicada a imágenes microscópicas ha mostrado resultados prometedores en microbiología — incluida la detección/segmentación de T. vaginalis bajo otras modalidades— lo que sugiere su potencial para estandarizar e incrementar el rendimiento diagnóstico [3– 6].
2. Metodología Estudio retrospectivo con 2.929 imágenes de Gram de un único centro, clasificadas por PCR en positivo (CatAB, n=1812) y negativo (CatN, n=1117). Se aplicó transferencia de aprendizaje con EfficientNet V2 XL, afinada desde pesos ImageNet. La evaluación incluyó métricas globales (exactitud, kappa, MCC), por clase (precisión, sensibilidad, especificidad, F1-Score) y matriz de confusión.
3. Resultados preliminares El modelo alcanzó una exactitud 98,83%, kappa 0,9659 y MCC 0,9660, con alta concordancia frente a PCR; las métricas globales rondaron 0,98 en precisión, sensibilidad y F1 (Tabla 1).

4. Discusión y conclusiones Hasta donde alcanza nuestro conocimiento, este trabajo demuestra por primera vez la identificación automática de T. vaginalis en tinciones de Gram mediante redes profundas, diferenciándose de aproximaciones previas centradas en fluorescencia, vídeo o segmentación dedicada [3–6]. Los resultados binarios (exactitud 98,83 %; kappa 0,9659; MCC 0,9660) sugieren que la IA puede integrarse como herramienta diagnóstica asequible y escalable en laboratorios que ya utilizan Gram, contribuyendo a reducir el infradiagnóstico en entornos con recursos limitados [2– 6]. Futuros trabajos deberían validar externamente el sistema y ampliar la base de datos para reforzar la generalización.

5. Referencias

[1] B. Van Der Pol, “Trichomonas vaginalis infection: the most prevalent nonviral sexually transmitted infection receives the least public health attention,” Clinical Infectious Diseases, vol. 44, no. 1, pp. 23–25, 2007.

[2] R. L. Sobrepeña, “Identification of Trichomonas vaginalis in Gram-stained smears,” Laboratory Medicine, vol. 11, no. 8, pp. 558–560, 1980.

[3] X. Chen, H. Zheng, H. Tang, and F. Li, “Multi-scale perceptual YOLO for automatic detection of clue cells and trichomonas in fluorescence microscopic images,” Computers in Biology and Medicine, vol. 175, Art. no. 108500, 2024.

[4] X. Wang, X. Du, L. Liu, G. Ni, J. Zhang, J. Liu, and Y. Liu, “Trichomonas vaginalis detection using two convolutional neural networks with encoder-decoder architecture,” Applied Sciences, vol. 11, no. 6, p. 2738, 2021.

[5] L. Li, J. Liu, S. Wang, X. Wang, and T.-Z. Xiang, “Trichomonas vaginalis segmentation in microscope images,” in Proc. Int. Conf. Medical Image Computing and Comp