Cómo citar
Resumen
Este artículo presenta un estudio orientado al desarrollo de un sistema de clasificación automática de radiografías de tórax para diferenciar imágenes normales de casos con neumonía, empleando técnicas contemporáneas de aprendizaje profundo. Se utilizó un conjunto de datos público ampliamente difundido en investigación biomédica y se realizó un proceso de fine-tuning sobre la arquitectura ResNet18 previamente entrenada en ImageNet. El entrenamiento se llevó a cabo en la plataforma Kaggle, optimizando el rendimiento mediante estrategias de transferencia de aprendizaje y selección del mejor modelo según desempeño en validación. El sistema alcanzó un 89,4% de accuracy (precisión) en el conjunto de prueba, con elevadas métricas de sensibilidad para la detección de neumonía. Posteriormente, se desarrolló una aplicación web interactiva mediante Gradio y se desplegó en HuggingFace Spaces, permitiendo a usuarios cargar radiografías y obtener predicciones acompañadas de probabilidades. El trabajo propone un flujo de trabajo completamente reproducible con herramientas gratuitas, aplicable tanto a la enseñanza universitaria en informática y ciencias de la salud como a proyectos de investigación formativos en imágenes médicas.