Una CNN ligera basada en MobileNetV2 personalizada para la detección y clasificación de la viruela del mono

Por qué importa una prueba de viruela del mono compatible con teléfono

Imagínese tomar una foto de una erupción extraña con su teléfono y recibir una indicación rápida y fiable sobre si podría tratarse de viruela del mono (Mpox) o de algo menos grave, como varicela o sarampión. Este artículo explora una forma compacta de inteligencia artificial capaz de hacer precisamente eso. Al reducir un sistema potente de reconocimiento de imágenes a un modelo lo bastante pequeño para ejecutarse en smartphones y otros dispositivos sencillos, los investigadores pretenden llevar el cribado temprano de Mpox a clínicas y comunidades que carecen de laboratorios avanzados.

El desafío de detectar Mpox de forma temprana

Mpox es una enfermedad viral que se transmite por contacto estrecho y cuyos síntomas pueden parecerse confusamente a otras afecciones cutáneas. Las personas pueden desarrollar fiebre, dolores corporales y erupciones características, pero estos signos se solapan con enfermedades como el sarampión, la varicela y las irritaciones cutáneas comunes. Las pruebas tradicionales, como la PCR en laboratorio, son precisas pero lentas, costosas y a menudo no están disponibles en zonas remotas. Esa brecha deja a muchos sanitarios y pacientes con incertidumbre, retrasando el aislamiento y el tratamiento y dando al virus más tiempo para propagarse.

Enseñar a los ordenadores a leer imágenes de la piel

La IA moderna basada en imágenes ofrece una forma de convertir las cámaras cotidianas en asistentes diagnósticos sencillos. Los autores se basan en una red neuronal “ligera” popular llamada MobileNetV2, diseñada originalmente para ejecutarse en dispositivos con potencia de cálculo limitada. Usan un conjunto de datos público de 770 fotografías de piel divididas en cuatro grupos: Mpox, sarampión, varicela y piel normal. Para aprovechar al máximo esta colección relativamente pequeña, preparan las imágenes con cuidado, redimensionándolas a un formato común y aplicando cambios sutiles como rotaciones, volteos y zoom. Estos trucos, conocidos como aumento de datos, ayudan al modelo a aprender a reconocer patrones sin memorizar fotos específicas.

Un cerebro más inteligente y más delgado para la tarea

En lugar de construir un sistema nuevo desde cero, los investigadores afinan un modelo MobileNetV2 existente que ya ha aprendido características visuales generales a partir de grandes colecciones de imágenes. Mantienen la mayoría de sus capas fijas y solo reentrenan las últimas 20 capas para que se especialicen en erupciones relacionadas con Mpox. Sobre esta columna vertebral añaden una cabeza de decisión ligera que incluye un paso de promedio global y dropout—técnicas que ayudan al modelo a centrarse en las partes más importantes de la imagen evitando confiar en ruido o fondo. También ajustan la manera en que el modelo aprende de sus errores para que los cuatro grupos de enfermedades se traten de forma equilibrada, aunque algunos tengan menos ejemplos.

Qué tan bien funciona el modelo diminuto

Tras el entrenamiento, el MobileNetV2 personalizado—llamado CMBNV2—obtiene resultados llamativos. Identifica correctamente la clase adecuada en el 99 % de las imágenes de prueba y alcanza puntuaciones igualmente altas en precisión, recall y una medida combinada conocida como F1-score. En términos sencillos, rara vez pasa por alto casos verdaderos de Mpox y pocas veces genera falsas alarmas. Todo el modelo ocupa solo unos 8,63 megabytes, usa memoria moderada y requiere relativamente pocos cálculos, lo que lo hace apto para uso en tiempo real en teléfonos inteligentes habituales u otros dispositivos pequeños. Las comparaciones con redes más pesadas y complejas y con otros diseños compactos muestran que esta versión afinada de MobileNetV2 es tanto más rápida como más precisa en el conjunto de datos de Mpox.

Lo que esto podría significar para la salud cotidiana

Para el público general, la conclusión principal es que una IA cuidadosamente diseñada y compatible con teléfonos puede distinguir de forma fiable Mpox de afecciones cutáneas similares usando una foto simple. Aunque no sustituye a un médico ni a una prueba de laboratorio, esta herramienta podría actuar como un sistema de alerta temprana, sobre todo donde los recursos médicos son escasos. Guiando a las personas hacia pruebas y aislamiento oportunos y ofreciendo a los sanitarios apoyo rápido en el campo, modelos como CMBNV2 podrían convertirse en una línea de defensa práctica contra futuros brotes de Mpox y, eventualmente, contra otras enfermedades de la piel.

Cita: Askale, G.T., Yibel, A.B., Munie, A.T. et al. A customized MobileNetV2-based lightweight CNN for monkeypox detection and classification. Sci Rep 16, 5028 (2026). https://doi.org/10.1038/s41598-026-35871-1

Palabras clave: viruela del mono, lesiones cutáneas, aprendizaje profundo, salud móvil, clasificación de imágenes