Aplicación web asistida por inteligencia artificial para diagnosticar fracturas en imágenes radiológicas caninas.

Abstract

Actualmente, la medicina veterinaria en Paraguay enfrenta desafíos significativos en el diagnóstico por imágenes, particularmente en la interpretación de radiografías para detectar fracturas óseas en caninos. La escasez de radiólogos veterinarios especializados obliga a profesionales generales a realizar interpretaciones radiológicas sin formación específica, incrementando el riesgo de errores diagnósticos que pueden derivar en tratamientos inadecuados y comprometer la recuperación animal. En respuesta a esta problemática, se desarrolló FractosIA, una aplicación web asistida por inteligencia artificial para diagnosticar fracturas en radiografías caninas, integrando tecnologías modernas de visión por computadora y aprendizaje profundo mediante redes neuronales convoluciones. El objetivo del sistema es permitir a los veterinarios cargar imágenes radiológicas, procesarlas mediante algoritmos de inteligencia artificial y obtener diagnósticos asistidos en tiempo real. Se evaluaron tres arquitecturas avanzadas: ResNet50, EfficientNetB3 y Visión Transformer, entrenadas con un dataset de más de 400 imágenes radiológicas etiquetadas en colaboración con profesionales veterinarios. La metodología abarcó la recolección y etiquetado del dataset, el desarrollo y entrenamiento de modelos en entorno con GPU especializada, y la implementación de una aplicación web completa integrando servicios en la nube para autenticación, almacenamiento de datos y gestión de imágenes. Los resultados demostraron que EfficientNetB3 fue la arquitectura más efectiva, alcanzando 82,79% de precisión en clasificación del tipo de fractura y 85,96% en identificación de ubicación anatómica. El sistema final permite subir radiografías, visualizarlas con herramientas interactivas (zoom, paneo, recorte), obtener diagnóstico automático, generar reportes en PDF y gestionar el historial de análisis. Las pruebas de integración confirmaron el correcto funcionamiento de todos los módulos con tiempos de respuesta apropiados para el entorno clínico, demostrando una tasa de éxito superior al 82% y estableciendo su viabilidad como herramienta de apoyo diagnóstico en medicina veterinaria.