Resumen en español

El pie diabético es una de las complicaciones más severas de la diabetes mellitus, caracterizado por infecciones, ulceraciones y riesgo de amputación. Bajo esta problemática, el presente trabajo desarrolla un sistema automático de apoyo al diagnóstico temprano del pie diabético, utilizando imágenes en el espectro visible e infrarrojo de la planta de los pies. A diferencia de otros enfoques dependientes de información clínica o antropométrica, este sistema se basa exclusivamente en el procesamiento de imágenes, permitiendo su aplicación en escenarios prácticos y no controlados. El sistema aborda el reto de clasificar entre pie diabético y sano mediante una etapa de segmentación automatizada, especialmente desafiante por los fondos no controlados. Esta etapa inicia con un recorte preliminar de ambas plantas del pie a partir de análisis de histogramas y continúa con una estrategia en cascada que combina redes neuronales YOLO, transformaciones de espacios de color (RGB, HSV, YIQ) y operadores morfológicos, sobre imágenes en el espectro visible e infrarrojo. Tras la segmentación, se aplicaron técnicas de fusión multiespectral para la extracción de características, evaluando siete métodos y seleccionando el de mejor rendimiento según métricas cuantitativas como clasificatorias. Posteriormente, se implementaron técnicas de extracción y selección de características, tomando como base aquellas previamente identificadas en trabajos anteriores, con el objetivo de reducir la dimensionalidad del conjunto de datos sin comprometer el rendimiento del sistema en términos de precisión, sensibilidad y F1-Score. El sistema fue entrenado y validado con una base de datos pública a través de diversos clasificadores: máquinas de vectores de soporte (SVM), modelos estadísticos como Naive Bayes, LDA, QDA y K-NN, así como redes neuronales como el perceptrón multicapa, Patternet y redes de base radial (RBF). En la clasificación binaria, el mejor desempeño se obtuvo con el clasificador SVM, alcanzando una exactitud del 95,0 %, precisión del 96,6 %, sensibilidad del 93,3 % y un F1-Score del 94,9 %, superando el desempeño reportado en los antecedentes, los cuales informaban una exactitud de 89,2 %, precisión de 96,2 %, sensibilidad de 81,9 % y un F1-Score de 88,3 %. Adicionalmente, se incorporó una opción de rechazo, ausente en trabajos anteriores, permitiendo abstenerse de clasificar cuando la confianza del modelo es baja. En este escenario, el clasificador QDA obtuvo el mejor balance: exactitud del 90 %, precisión del 92,9 %, sensibilidad del 86,7 %, especificidad del 93,3 % y un F1-Score del 89,7 % en la misma clasificación binaria, siendo seleccionado para el sistema implementado. Aunque el objetivo principal del estudio fue la clasificación entre pie diabético y pie sano, se aprovechó que la base de datos contenía casos etiquetados con neuropatía e isquemia para explorar una clasificación multiclase. Se intentó distinguir entre tres clases: pie sano, pie diabético con neuropatía y otro con isquemia. El mejor desempeño se obtuvo con el clasificador Naive Bayes, logrando una sensibilidad del 91,7 %, precisión del 73,3 % y un F1-score del 81,5 % para la clase sana. Sin embargo, las métricas para las clases afectadas fueron inferiores al 80 %, lo que sugiere que las características empleadas distinguen bien los pies sanos, pero no discriminan con la misma eficacia entre las patologías del pie diabético, lo cual podría explorarse en futuros estudios.