Desempeño de algoritmos de deep learning en la detección de parásitos de plasmodium mediante dispositivos móviles

Abstract

The objective of this study was to determine the effect of different deep learning algorithms optimized for mobile devices on the performance of Plasmodium parasite detection in thick blood smear images. A predictive-comparative experimental design was used to evaluate four architectures (YOLO v11, EfficientDet, MobileNet SSD, and Faster R-CNN) with 8,625 microscopic images from 400 thick blood smear slides captured with three mobile devices of different ranges. The dataset was stratified into 70.5% training, 14.6% validation, and 14.9% testing, applying data augmentation techniques and bidimensional IoU-Confidence optimization. Results demonstrate statistically significant differences among algorithms (p < 0.001, Wilks' Lambda = 0.383, F = 264.518). YOLO v11 achieved 97.52% accuracy, 98.96% precision, 97.52% recall, F1-Score of 0.9814, and 196.2 ms latency on high-end devices, establishing itself as the optimal algorithm. EfficientDet obtained 70.57% accuracy with extremely high latency. MobileNet-SSD and Faster R-CNN showed significant limitations in diagnostic precision. Regarding computational efficiency, MobileNet-SSD demonstrated the lowest energy consumption (134.7 mJ), followed by YOLO v11 (291.8 mJ). It is concluded that YOLO v11 offers the best balance between diagnostic precision, processing speed, and computational efficiency, being the only model exceeding the 95% accuracy threshold established by WHO for malaria diagnosis, making it viable for resource-limited settings.El objetivo de este estudio fue determinar el efecto de diferentes algoritmos de deep learning optimizados para dispositivos móviles en la detección de Plasmodium en imágenes de gota gruesa. Se empleó un diseño experimental predictivo comparativo evaluando cuatro arquitecturas (YOLO v11, EfficientDet, MobileNet SSD y Faster R-CNN) con 8,625 imágenes microscópicas de 400 láminas capturadas con tres dispositivos móviles de distintas gamas. El dataset se estratificó en 70.5% entrenamiento, 14.6% validación y 14.9% prueba, aplicando técnicas de aumento de datos y optimización bidimensional IoU-Confianza. Los resultados evidencian diferencias estadísticamente significativas entre algoritmos (p < 0.001, Lambda de Wilks = 0.383, F = 264.518). YOLO v11 alcanzó 97.52% de exactitud, 98.96% de precisión, recall de 97.52%, F1-Score de 0.9814 y 196.2 ms de latencia en dispositivos de gama alta, constituyéndose como el algoritmo óptimo. EfficientDet obtuvo 70.57% de exactitud y el mayor mAP@0.5 (30.04%), aunque con latencia extremadamente alta. MobileNet-SSD y Faster R-CNN mostraron limitaciones significativas en precisión diagnóstica. Se concluye que YOLO v11 ofrece el mejor balance entre precisión diagnóstica, velocidad y eficiencia computacional, siendo el único modelo que supera el umbral de 95% de exactitud establecido por la OMS para diagnóstico de malaria, resultando viable para entornos con recursos limitados.