RESUMEN:

La integración de datos de múltiples fuentes genera heterogeneidad visual asociada a las condiciones ambientales de las imágenes obtenidas, lo que se traduce en encuadres, iluminaciones, contrastes, tonos y artefactos visuales altamente diversos. Esta variabilidad ocasiona atajos en los algoritmos de aprendizaje basados en inteligencia artificial, haciendo que la red aprenda patrones relacionados con: el origen, la calidad o las características técnicas de la imagen, en lugar de enfocarse exclusivamente en los rasgos clínicos. 

En este documento se presentan las estrategias orientadas a mitigar la heterogeneidad visual, mediante la incorporación de técnicas de delimitación de la región de interés retiniana (ROI) y el suavizado de bordes mediante feather, para reducir la influencia de patrones ajenos al contexto clínico.

Con respecto a la línea base sin segmentación se obtuvo un desempeño interno aproximado del 82% en accuracy, 90% en Top-2 y un QWK de 0.88, mientras que la validación externa obtenida fue de: 74% de accuracy, 87% en Top-2 y un QWK de 0.80. Al incorporar estrategias de segmentación y curaduría visual, el modelo nominal se aproximó al 85% en accuracy, 92% en Top-2 y un QWK de 0.795. De lo anterior se infiere que la delimitación de la región retiniana de interés y la reducción de artefactos visuales permiten al modelo centrar el aprendizaje en características clínicas relevantes, mejorando su desempeño global y su potencial de generalización.