Desarrollo y entrenamiento de una red neuronal convolucional para la detección de esofagitis en imágenes endoscopicas

Resumen

Introducción y Objetivos: La endoscopia digestiva ofrece una evaluación directa del tracto gastrointestinal, aunque la variabilidad entre operadores puede limitar su precisión. Este estudio se propuso desarrollar una red neuronal convolucional (CNN) basada en InceptionResNetV2, ajustada para la detección automatizada de esofagitis en imágenes endoscópicas, con el objetivo de mejorar la exactitud diagnóstica y optimizar el flujo clínico.

Material y Métodos: Se implementó el modelo utilizando Python, Keras y TensorFlow en Google Colab Pro con GPU Nvidia A100. Partiendo de la arquitectura InceptionResNetV2 preentrenada en ImageNet, se añadieron capas densas para realizar una clasificación binaria (línea Z normal vs. esofagitis). El entrenamiento se realizó con 2000 imágenes del conjunto KVASIR (80% entrenamiento y 20% validación). La evaluación se extendió a 1164 imágenes del conjunto HyperKVASIR, excluyendo casos leves, y a 203 imágenes del Hospital Regional Universitario de Málaga.

Resultados: El modelo demostró altos índices de acierto, evidenciados en matrices de confusión y curvas ROC, con AUC de 0.884 para el conjunto KVASIR y 0.970 para HyperKVASIR. Se observó una mayor precisión en la detección de esofagitis avanzadas, correlacionando la severidad de la lesión con un incremento en la exactitud diagnóstica.

Conclusiones: El estudio destaca el potencial de las CNN en el diagnóstico asistido por IA en endoscopia. Aunque el modelo muestra alta sensibilidad en lesiones avanzadas, se requieren investigaciones adicionales para mejorar la detección en estadios incipientes y validar su aplicación en contextos clínicos heterogéneos.

Palabras clave: endoscopia digestiva, redes neuronales convolucionales, esofagitis, deep learning, inteligencia artificial.

Abstract

Introduction and Objectives: digestive endoscopy provides a direct evaluation of the gastrointestinal tract, although inter-operator variability can limit its precision. This study aimed to develop a convolutional neural network (CNN) based on InceptionResNetV2, tailored for the automated detection of esophagitis in endoscopic images, with the objective of improving diagnostic accuracy and optimizing clinical workflow.

Materials and Methods: the model was implemented using Python, Keras, and TensorFlow on Google Colab Pro with an Nvidia A100 GPU. Starting from the InceptionResNetV2 architecture pretrained on ImageNet, dense layers were added to perform binary classification (normal Z-line vs. esophagitis). Training was conducted using 2000 images from the KVASIR dataset (80% for training and 20% for validation). Evaluation was extended to 1164 images from the HyperKVASIR dataset, excluding mild cases, and to 203 images from the Hospital Regional Universitario de Málaga.

Results: the model demonstrated high accuracy, as evidenced by confusion matrices and ROC curves, with an AUC of 0.884 for the KVASIR dataset and 0.970 for HyperKVASIR. Greater precision was observed in the detection of advanced esophagitis, correlating the severity of the lesion with increased diagnostic accuracy.

Conclusions: the study highlights the potential of CNNs in AI-assisted diagnosis in endoscopy. Although the model shows high sensitivity in advanced lesions, additional research is required to improve detection in early stages and to validate its application in heterogeneous clinical contexts.

Keywords: digestive endoscopy, convolutional neural networks, esophagitis, deep learning, artificial intelligence.