Modelo de clasificación binaria (fractura / normal) sobre radiografías óseas. Desarrollado como proyecto final de Aprendizaje Computacional (Ingeniería de Sistemas, Universidad de Córdoba).

Arquitectura: MobileNetV2 con transfer learning desde ImageNet + cabeza de clasificación personalizada. Umbral de decisión ajustado a 0.310 para priorizar la sensibilidad clínica (recall ≥ 0.95).

⚠️ Demostración académica. No es un dispositivo médico ni está validado clínicamente. No debe usarse para decisiones clínicas reales.

Demo interactiva

Prueba el modelo en el Space de Hugging Face: 👉 stevenrq8/fracturas-rayos-x

Uso

python

from huggingface_hub import hf_hub_download
from tensorflow import keras
import numpy as np
from PIL import Image

model = keras.models.load_model(
    hf_hub_download("stevenrq8/fracturas-modelo", "best_mobilenet.keras")
)

UMBRAL = 0.310
IMG_SIZE = (224, 224)

img = Image.open("radiografia.jpg").convert("RGB").resize(IMG_SIZE)
arr = np.asarray(img, dtype="float32")[None, ...]
p = float(model.predict(arr).ravel()[0])
etiqueta = "FRACTURA" if p >= UMBRAL else "NORMAL"
print(f"{etiqueta}  —  P(fractura) = {p:.1%}")

Datos de entrenamiento

Dataset base: Bone Fracture Multi-Region X-ray Data (Kaggle, bmadushanirodrigo, licencia ODC-By v1.0).

El split oficial tenía 63 % de duplicados y 873 grupos con fuga entre train/val/test. Se deduplicó y re-dividió antes del entrenamiento:

Split	Normal	Fractura	Total
Train	1 611	1 127	2 738
Val	343	244	587
Test	328	235	563

Desbalance leve (59 % normal / 41 % fractura) corregido con class_weight.

Resultados (test set, umbral 0.310)

Métrica	Valor
Accuracy	0.815
Recall (fractura)	0.953
Especificidad	0.649
Precision	0.661
F1	0.781
AUC-ROC	0.910
Tiempo inferencia (CPU)	0.070 s
Tamaño del modelo	9.3 MB

Comparativa de modelos (umbral 0.5)

Modelo	Accuracy	Recall	AUC	Tamaño
CNN desde cero	0.673	0.243	0.820	1.2 MB
MobileNetV2 ✅	0.815	0.796	0.910	9.3 MB
EfficientNetB0	0.798	0.681	0.919	43.4 MB

Se eligió MobileNetV2 por su mejor equilibrio entre recall, AUC y tamaño (viable en hardware CPU gratuito).

Entrenamiento

Framework: TensorFlow / Keras
Hardware: Google Colab (GPU T4)
Épocas: EarlyStopping (paciencia 5) + ReduceLROnPlateau
Regularización: Dropout 0.3, data augmentation, class_weight
Fine-tuning: descongelación de las últimas capas de MobileNetV2

Limitaciones

Dataset pequeño (3 888 imágenes únicas) — sobreajuste moderado (train AUC ~0.96 vs val ~0.84)
Mezcla de regiones anatómicas sin etiqueta explícita (muñeca, hombro, rodilla…)
Sin validación clínica por radiólogos
Una sola vista por caso, sin datos demográficos del paciente

Archivos

Archivo	Descripción
`best_mobilenet.keras`	Modelo final elegido para despliegue

Licencia

MIT — ver LICENSE.