Problemática: Las úlceras del pie diabético (UPD) son una de las complicaciones más frecuentes y devastadoras de la diabetes, representando un desafío considerable para los sistemas de salud y afectando significativamente la calidad de vida de los pacientes. Objetivo(s): Abordar la aplicación de técnicas de inteligencia artificial para la detección de UPD.
Metodología: Se implementaron modelos de aprendizaje profundo (DL), específicamente YOLOv8 en sus variantes m y l, y Faster R-CNN estándar y con convoluciones deformables. Estos modelos se optimizaron mediante técnicas de aumento de datos y ajuste de hiperparámetros. Para el entrenamiento, se empleó el dataset proporcionado por el Diabetic Foot Ulcers Grand Challenge 2020 (DFUC 2020). Adicionalmente, se utilizó una base de casos de imágenes nacionales para evaluar la eficacia del modelo en el contexto local.
Resultados y discusión: En la etapa de entrenamiento y validación se obtuvo un mAP superior a 0.70 para todos los modelos entrenados, siendo el Yolov8l el de mejor resultado (mAP=0.799). La prueba externa con los datos nacionales mostro poder de generalización al obtenerse valores de precisión de 0,856, sensibilidad de 0,789, puntuación F1 de 0,821 y un mAP50 de 0,839.  También se desarrolló una aplicación web, utilizando Streamlit, que proporciona una interfaz interactiva para el análisis de imágenes de UPD.
Conclusiones: Los modelos de DL para detección de objetos implementados demostraron ser herramientas eficaces para la identificación precisa de UPD. La aplicación desarrollada integra el mejor modelo de forma efectiva, ofreciendo una interfaz intuitiva para los profesionales de la salud.