Redes neuronales convolucionales para la efectividad del primer diagnóstico de VPH en Piura 2025

Resumen

El presente trabajo de investigación desarrolló un aplicativo móvil que integra el modelo MobileNet V2 para detectar lesiones producidas por el Virus del Papiloma Humano (VPH), contribuyendo al ODS 9, enfocado en construir infraestructuras resilientes, promover la industrialización sostenible y fomentar la innovación. El objetivo fue evaluar la efectividad de una red neuronal convolucional (CNN) como herramienta de apoyo en la primera fase diagnóstica. Se empleó un enfoque mixto con diseño experimental, orientado a medir el nivel de efectividad de una CNN preentrenada para el diagnóstico inicial del VPH. El modelo MobileNet V2 fue adaptado mediante transfer learning y optimizado con técnicas de regularización como dropout, fine-tuning, entre otras. La efectividad se determinó mediante métricas de desempeño: precisión (98.63 %), sensibilidad (100 %), especificidad (97.33 %), VPP (97.26 %), VPN (100 %) y F1-Score (98.60 %). El entrenamiento resultó determinante, pues el uso de estrategias de regularización permitió al modelo extraer características relevantes para la identificación de lesiones. Aunque el periodo de prueba fue corto, los resultados fueron prometedores en un entorno clínico simulado. En conclusión, la CNN demostró ser una herramienta válida de apoyo diagnóstico, abriendo paso al uso de la inteligencia artificial en la detección temprana de enfermedades.