Diseño e implementación de un sistema de detección preliminar no invasiva de anemia mediante clasificación de la conjuntiva ocular por aprendizaje profundo

Abstract

La anemia constituye un problema crítico de salud pública cuya detección oportuna enfrenta severas limitaciones logísticas en zonas alejadas de países en desarrollo como Perú. Para abordar esta problemática, se presenta un sistema electrónico prototipo para la estimación de hemoglobina y detección preliminar in-situ de anemia de manera no invasiva, mediante el análisis de imágenes de la conjuntiva ocular. La validación del sistema se realizó en una población de altura (Cusco, 3,339 m.s.n.m.), empleando un hardware basado en la plataforma embebida Orange Pi 5 Max con iluminación controlada. Para mitigar la variabilidad entre datasets, se aplicó una estrategia de adaptación de dominio mediante la técnica Reinhard, logrando reducir la brecha entre conjuntos públicos y locales en un 73.01%. En el ámbito del aprendizaje profundo, se implementaron arquitecturas optimizadas: una red U-Net para la segmentación semántica de conjuntiva, y el modelo propuesto Hemo-ConViT (basado en Vision Transformers) con función de pérdida híbrida. Los resultados experimentales en entorno controlado demostraron un Error Absoluto Medio (MAE) de 0.6075 g/dL y un coeficiente de determinación (R²) de 0.7486 frente al método de referencia HemoCue. La variabilidad estadística fue validada mediante pruebas de Bland-Altman, mostrando concordancia significativa. Para la tarea de clasificación binaria en datos locales, con umbral de 15.3 g/dL, el sistema alcanzó una exactitud global del 96.20% y una sensibilidad del 89.47%. Estos hallazgos corroboran la viabilidad técnica de esta prueba de concepto y prototipo como herramientas de bajo costo para entornos de recursos limitados.