RESUMEN:

En retinopatía diabética los conjuntos de imágenes de fondo de ojo en cada una de las categorías de severidad de acuerdo al ICDR (International Clinical Diabetic Retinopathy) presentan un desbalance en el volumen de imágenes disponibles, especialmente aquellas que evidencian mayor progresión patológica, afectando la capacidad de un modelo computacional para identificar patrones y efectuar la clasificación.

Esta investigación presenta la relación entre desbalance de clases y aprendizaje ordinal en clasificación de retinopatía diabética. Mediante la aplicación de la metodología CRISP-DM se examinó el comportamiento de modelos ordinales y cómo estos responden frente a las diferentes distribuciones de datos. Se evalúa el comportamiento predictivo mediante métricas ordinales y análisis de distribución de errores. 

Acorde con los resultados se aprecia que el aprendizaje ordinal es influenciado significativamente por la distribución de imágenes utilizadas durante el entrenamiento, donde la precisión para las clases que representan patologías severas y proliferativas, tienen una precisión del 2.0% y 3.3% respectivamente, con una confianza aproximada del 65.3%, mientras que las que corresponden a retinas sanas o moderadamente patológicas obtuvieron una precisión del 98.7% y 98.0% respectivamente, con una confianza del 90.7%. De lo anterior se evidencia la necesidad de considerar la estructura ordinal y el balance clínico de manera simultánea en el diseño de sistemas médicos aplicando aprendizaje profundo.