Clasificación de sedimentos urinarios mediante modelos de aprendizaje profundo

Resumen

El análisis de sedimentos urinarios es una práctica fundamental en el diagnóstico clínico de patologías renales y urológicas. Sin embargo, su ejecución manual es dependiente del operador, consume tiempo y está sujeta a variabilidad subjetiva, mientras que los sistemas automatizados comerciales suelen resultar costosos para laboratorios de mediana escala. En este contexto, este trabajo aborda la aplicación de técnicas de aprendizaje profundo para la identificación y clasificación automática de partículas en imágenes microscópicas de sedimento urinario. Bajo una adaptación de la metodología CRISP-DM, se integran diversos conjuntos de datos multiclase mediante un proceso de estandarización de formatos compatibles con arquitecturas de detección de objetos como YOLO (You Only Look Once). El tratamiento de los datos prioriza la integridad de las muestras originales, evitando técnicas que pudieran alterar la distribución natural de las clases. El desbalance de clases se aborda mediante la configuración de las funciones de pérdida y las estrategias de aumento de datos aplicadas durante el entrenamiento. La evaluación del desempeño se realiza utilizando métricas como F1-Score, Sensibilidad y matrices de confusión, permitiendo un análisis detallado del comportamiento del modelo en distintas clases. Los resultados obtenidos evidencian un desempeño satisfactorio, lo que sugiere que el uso de modelos preentrenados junto con estrategias de ajuste fino constituye un enfoque prometedor para la automatización del análisis de sedimentos urinarios en contextos clínicos.