RESUMEN:

El cáncer colorrectal representa una de las principales causas de mortalidad a nivel mundial, y la tasa de omisión de lesiones precursoras en colonoscopías convencionales se asocia frecuentemente a la fatiga del especialista y a la alta variabilidad morfológica de los pólipos. Se utilizó el conjunto de datos clínicos de acceso público Kvasir-SEG, compuesto por 1,000 imágenes endoscópicas y sus correspondientes máscaras binarias. Estas fueron preprocesadas mediante OpenCV y Pathlib para automatizar su conversión a un formato sin pérdida (.png) y traducir sus contornos a archivos de texto (.txt) con coordenadas poligonales normalizadas. Los datos se estructuraron en un esquema de división balanceada de 80% para entrenamiento (800 imágenes) y 20% para validación (200 imágenes). Se desarrolló e implementó PolySegYOLO, un sistema biomédico basado en la arquitectura profunda de una sola etapa YOLOv26n-seg entrenada mediante transferencia de aprendizaje. El entrenamiento se ejecutó utilizando aceleración por hardware en una GPU NVIDIA T4 por un máximo de 250 épocas con un criterio de detención temprana (Early Stopping) con paciencia de 5 épocas, concluyendo de forma prematura en la época 28 al alcanzar su punto óptimo en la época 23. Para su despliegue e inferencia en el borde (edge computing) dentro de un equipo Mini PC local, el modelo fue optimizado y cuantizado mediante el toolkit OpenVINO, integrándose finalmente en un panel médico interactivo en modo oscuro diseñado en CustomTkinter para el control de flujo de video en tiempo real. Al evaluar el modelo con el conjunto de validación, se registró una precisión promedio media (mAP50) de 0.887 en cajas delimitadoras y un sobresaliente mAP50 de 0.904 en las máscaras de segmentación anatómica (con una precisión de 0.912 y una exhaustividad de 0.835). El sistema demostró un tiempo de inferencia promedio de solo 5.9 milisegundos por fotograma, lo que equivale a una capacidad teórica superior a los 160 cuadros por segundo (FPS). La optimización de modelos de segmentación de instancias de una sola etapa combinada con motores de aceleración local permite una delimitación automatizada de alta fidelidad geométrica y velocidad alta(ms), consolidándose como una herramienta computacional viable de soporte clínico en tiempo real capaz de mitigar activamente el error humano en entornos quirúrgicos gastrointestinales.

Palabras clave: pólipos colorrectales, segmentación de instancias, YOLOv26n-seg, OpenVINO, interfaz médica en tiempo real, ingeniería biomédica