pág. 8668
DETECCIÓN DE Babesia sp. EN FROTIS
SANGUÍNEO A TRAVÉS DEL USO DE LA
INTELIGENCIA ARTIFICIAL
DETECTION OF Babesia sp. IN BLOOD SMEARS THROUGH
THE USE OF ARTIFICIAL INTELLIGENCE
Mvz. Denisse del Cisne Leon Motoche
Universidad Técnica de Machala, Ecuador
Dra. Matilde Lorena Zapata Saavedra
Universidad Técnica de Machala, Ecuador
Mvz. Fernando L. Aguilar Gálvez Z
Universidad Técnica de Machala, Ecuador
Daniel Victor Perez Hernandez
Universidad Técnica de Machala, Ecuador
pág. 8669
DOI: https://doi.org/10.37811/cl_rcm.v8i2.12045
Detección de Babesia sp. en Frotis Sanguíneo a través del Uso de la
Inteligencia Artificial
Mvz. Denisse del Cisne Leon Motoche1
denisseleonmotoche@gmail.com
Universidad Técnica de Machala
Ecuador
Dra. Matilde Lorena Zapata Saavedra
mlzapata@utmachala.edu.ec
https://orcid.org/0000-0002-8046-4328
Universidad Técnica de Machala
Ecuador
Mvz. Fernando L. Aguilar Gálvez Z
flaguilar@utmachala.edu.ec
Universidad Técnica de Machala
Ecuador
Daniel Victor Perez Hernandez
dperez8@utmachala.edu.ec
https://orcid.org/0009-0008-0275-5921
Universidad Técnica de Machala
Ecuador
RESUMEN
Dentro del grupo de enfermedades hemoparasitarias tenemos a Babesia canis, que es un
microorganismo unicelular que vive y se reproduce en los vasos sanguíneos, infectando los
eritrocitos. La mayoría de las especies de Babesia se describieron basándose en la supuesta
especificidad del huésped y las características morfológicas de las etapas intraeritrocíticas. Por tal
motivo, el siguiente trabajo desarrolló un programa para detectar babesia en frotis de sangre
mediante el uso de tecnología, implementando inteligencia artificial en el reconocimiento
morfológico de Babesia canis en etapa intraeritrocítica, ayudando a mejorar el diagnóstico
efectivo y seguro en nuestras mascotas. Para este trabajo de estudio se realizaron dos pasos:
primero se obtuvieron 100 placas positivas a Babesia sp mediante el uso del microscopio en un
periodo de 7 días, tiempo durante el cual se seleccionó cada díada o merocita presente en cada
placa, luego se crearon una base de datos de imágenes, con el uso del programa Superesly, se
ingresaron alrededor de 630 imágenes de las diferentes díadas o merozoitos encontrados en las
placas. Este proceso se realizó en un periodo de 4 días. El siguiente paso fue la creación del
algoritmo mediante el uso del programa Roles Data el cual nos permite crear un algoritmo según
el entrenamiento de selección de imágenes.
Palabras clave: Babesia spp, enfermedad hemoparasitaria, microorganismo, unicelular:
inteligencia artificial
1
Autor principal
Correspondencia: denisseleonmotoche@gmail.com
pág. 8670
Detection
of
Babesia
sp.
in
Blood
Smears
through
the
Use
of
Artificial Intelligence
ABSTRACT
Within the group of hemoparasitic diseases we have Babesia canis, which is a single-celled
microorganism that lives and reproduces in blood vessels, infecting erythrocytes. Most Babesia
species were described based on putative host specificity and morphological characteristics of
intraerythrocytic stages. For this reason, the following work developed a program to detect babesia
in blood smears through the use of technology, implementing artificial intelligence in the
morphological recognition of Babesia canis in the intraerythrocytic stage, helping to improve
effective and safe diagnosis in our pets. For this study work, two steps were carried out: first, 100
plates positive for Babesia sp were obtained through the use of the microscope in a period of 7
days, during which time each dyad or merozite present in each plate was selected, then I created a
database of images, with the use of the Superesly program, around 630 images of the different
dyads or merozoites found in the plates were entered. This process was carried out in a period of
4 days. The next step was the creation of the algorithm using the use of the Roles Data program
which allows us to create an algorithm according to image selection training.
Keywords: Babesia spp, hemoparasitic disease, unicellular microorganism, artificial intelligence
Artículo recibido 28 marzo 2024
Aceptado para publicación: 30 abril 2024
pág. 8671
INTRODUCCIÓN
Ecuador es un País que se caracteriza por su diversidad geográfica, posee predominios de
ambientes cálidos por encima de los 22°C (85% del territorio), lo que favorece la biología de
artrópodos vectores y la transmisión de organismos patógenos (6), especialmente los que producen
las conocidas fiebres por garrapatas. Además, es considerado como un Estado de clima tropical,
por encontrase ubicado dentro de la zona ecuatorial(7).
En nuestro medio se presentan una gran variedad de artropodos, en consideración principalmente
del género Rhypicefalus sanguineus, siendo este considerado como un vector capaz de originar un
sinnúmero de patologías en diferentes vertebrados (8), estas patologías son determinadas cómo
enfermedades hemotrópicas o hemoparasitarias, ya que finalizan su ciclo biológico en el torrente
sanguíneo del huésped(9).
Dentro del grupo de enfermedades hemoparasitarias tenemos la babesia canis, que es un
microorganismo unicelular que se alberga y se reproduce a nivel de vasos sanguíneos infectando
a los eritrocitos(3). En diversas partes del mundo existen varias especies del género Babesia spp,
pero las que afectan a los caninos principalmente son B. canis transmitida por Dermacentor
reticulatus, y se encuentra presente en Europa y la B. canis gibsoni, transmitida por Rhipicephalus
sanguineus, presentes en zonas tropicales y sub tropicales(10).
Históricamente, la mayoría de las especies de Babesia se describieron basándose en la supuesta
especificidad del huésped y las características morfológicas de las etapas intraeritrocíticas. En un
estudio realizado en 1910 (11)se describió una especie distinta, Babesia gibsoni, en perros de la
India. Dado que los trofozoitos y merontos intraeritrocíticos de B. gibsoni eran generalmente más
pequeños que los de B. canis, esto se convirtió en una práctica común al referirse a los perros que
infectaban a Babesia grande o pequeña (12).
La inteligencia artificial hoy en día promete una transformación significativa del cuidado de la
salud en todas las áreas médicas incluida la veterinaria (13). El futuro de las especialidades médicas
dependerá en gran medida de la interacción humana y la creatividad, obligando de esta manera a
los médicos ir evolucionando y empleando la inteligencia artificial como una herramienta en la
atención del enfermo(14). De esta manera se ofrecerá a los pacientes seguridad, autonomía y
pág. 8672
posibilidad de atención médica oportuna en zonas de difícil acceso, y a los médicos les ayudará a
disminuir la carga administrativa, el tiempo en pantallas y el agotamiento profesional (15).
Etiología
Estudios realizados por levine 1973 y Soulbine 1987el agente causal de babesiosis canina es la
babesia canis y babesia gibsoni cuya longitud varia de 3 a 5 um de longitud(16), presentan un polo
agudo y el otro redondeado, se encuentran e 2 a 4 trofozoitos por hematíes en algunos casos, se
pueden encontrar, también en los macrófagos debido a la eritrofagocitosis (17)
Taxonomía
Existen dos formas morfológicas de la babesia dentro de la fase eritrocitaria del huésped canino,
los primeros estudios nos dan dos formas la más grande con 3-5um determinada como babesia
canis y la más pequeña con 1-3um determinada como babesia gibsoni (1,18), a pesar de los rangos
de medida establecidos por estudios anteriores se obstaculiza la clasificación taxonómica, debido
a que a simple vista sus características morfológicas no permitían una mayor determinación.(19)
Clasificación taxonómica
Tabla 1 Taxonomía
Fuente: El Autor
Especies de babesia
Se describen cerca de 8 especies o subespecies genéticamente distinguibles de Babesia que pueden
infectar a perros, mientras en gatos se han descrito dos incluyendo; Babesia canis canis, B. c.
vogeli, B. c. rossi, B. gibsoni, B. conradae, Theileria annae, B. felis (Feline), B. canis presentii
(Feline)(20). Esto puede afectar la interpretación de los resultados, dado que la mayoría de los
laboratorios identifican a solo 2 especies en caninos(21).
Género
Babesia
Subclase
Piroplasme
Orden
Piroplamida
Super familia
Babesioidea
Familia
Babesiida
pág. 8673
Morfología de babesia
Son parásitos intraeritrocitarios, que se suelen encontrar en la luz de los pequeños capilares. En el
interior se multiplican por fisión binaria, de tal forma que aparecen formando parejas (diadas) o
grupos de cuatro merozoítos (tetradas) en los eritrocitos parasitados(22). Para la identificación de
las especies se observan parámetros en su forma ya que son pleomórficos y generalmente tienen
forma de lágrima o coma, pero también pueden ser redondeados, ovalados, etc (23). Poseen un
tamaño variable, de entre 1 y 5-6 micras. En general se diferencia entre babesias grandes (de un
diámetro de más de tres
micras) y babesias pequeñas (de un diámetro medio de menos de 2.5 micras)(24). La posición en
el glóbulo rojo se suele presentar central o periférica, y la disposición de las parejas están en un
ángulo cerrado o abierto(25).
Ciclo de vida
Las etapas del ciclo de la babesia dependerán de diferentes factores como la especie de babesia
de la garrapata, la temperatura y el nivel de infección del huésped y las garrapatas, pero ciertos
estudios describen un desarrollo de reproducción sexual para los vertebrados y una reproducción
asexual para los invertebrados(26).
Reproducción asexual conocida como Esquizogonia o merogonia que se produce en las células
rojas del hospedador vertebrado
Reproducción sexual conocida como Gametogonia, se produce la formación y fusión de los
gametos en las células intestinales de una garrapata, hospedador invertebrado.
En el ciclo de la babesia el hospedador intermedio es el canino por ende su reproducción es en
forma asexual (27). Al ser picado por las garrapatas infectadas, se comienza con una parasitemia
transitoria que dura aproximadamente cuatro días. Luego se presenta una parasitemia más intensa
alrededor del 15avo días (28).
METODOLOGÍA
El estudio utilizó el método empírico y científico el cual se basó en la observación de diferentes
placas de frotis sanguíneo positivos a Babesia sp para la creación de una base de datos que se
utilizaron para generar un algoritmo de identificación estructural.
pág. 8674
Este estudio usó las muestras sanguíneas de perros positivos a Babesia sp. de casa se realizó en la
ciudad de Huaquillas de la provincia de El Oro – Ecuador. Para este estudio se tomó muestras de
sangre en perros que lleguen a consulta al Consultorio León de la ciudad de Huaquillas.
La consolidación de un conjunto de imágenes de frotis sanguíneos correctamente etiquetadas.
• Primero se empiezo con la toma de imagen desde la placa portaobjeto con cámara del
microscopio (nikon eclipse E200 y cámara Mshot MS60)
• Segundo se procedió a observar la placa con lente de 4x, 10x, y al llegar a 100x
• Tercero se realizó la toma de imágenes con la cámara (sistema de análisis de imagen
Mshot)
• Cuarto se procedio a armar la base de imágenes donde se observan merosoitos
correspondiente a 60 placas de frotis sanguíneos con tinción GIEMSA
• Quinto el etiquetado de imagen con la herramienta Supervisely
Para el siguiente estudio se procedió a crear una base de imágenes de frotis sanguíneos que posean
los merozoitos de Babesia sp las imágenes obtenidas fueron de 630 imágenes la calidad de la
imagen fue de 6.29 mp, cuyo tamaño de cada foto fue de 3072x2048 en un microscopio Nikon E
200.
Para el etiquetado de las diadas o merozoitos de Babesia sp se utilizó el programa de supervisley
el cual etiqueto la estructura morfológica de cada díada o merozoito. Se debe mencionar que por
cada placa observada se encontraron de 1 hasta 4 meorzoitos dando un total de 630 diadas o
merozoitos.
Una vez creada la base de datos y la segmentación de las diadas o merozoito a través de
supervisley , se procedió a utilizar la herramienta de anotación Roboflow para el proceso de Data
Aumentation que consiste en producir permutaciones de imágenes existentes en un conjunto de
datos con el fin de crear nuevas imágenes que ayudan a mejorar la capacidad del modelo para
generalizar y así funcionar de manera más efectiva(27). Esta herramienta además ofrece la
capacidad de preprocesar las imágenes, hacer chequeos de salud del conjunto de datos y realizar
divisiones de entrenamiento y validación. Con todo ello se llegó a generar un total de 471
imágenes, divididas en 456 para entrenamiento y 15 imágenes para fines de validación.
pág. 8675
Partición de los datos en tres conjuntos de datos: entrenamiento, validación y test, mediante una
técnica de validación cruzada. El modelo usado para el entrenamiento de la detección de babesia
es YOLOv8l-seg al ser uno de los modelos con valores de precisión más alta y se ajusta al límite
gratuito de recursos de harwdare provistos por la plataforma Google Colab el cual provee
infraestructuras informáticas en la nube como almacenamiento(29), memoria ram, capacidad de
procesamiento y unidades de procesamiento gráfico (GPU) para entrenar modelos y trabajar con
ciencia de datos, aprendizaje profundo, redes neuronales y aprendizaje automático
Los recursos y librerías provistos por Google Colab son:
GPU: Nvidia T4 - 16 GB, CPUs: 2, RAM: 12.7 GB, DISCO: 107.7 GB
Python Version: 3.10.12, Torch: 2.0.1+cu118, Ultralytics Version: YOLOv8.0.180
Imagen 1. Presentación del método expuesto
Fuente: el autor
pág. 8676
Imagen 2.
Fuente: el autor
RESULTADOS Y DISCUSIÓN
La métrica de evaluación principal en YOLOv8 es mAP50 y mAP50-95 (precisión promedio
media) que se utilizó en tareas de segmentación de objetos, estas serán mostradas más adelante.
Existen otro tipo de métricas en tareas de visión por computadora estándar para la evaluación del
desempeño, tales como precisión, recuperación y puntuación F1(30). Dado que nuestro objetivo
fue diagnosticar mediante la búsqueda de babesias en una imagen microscópica y proporcionar
una base para métodos futuros, se seleccionan las métricas de evaluación del desempeño
siguientes:
● N = número de babesias detectadas
● TP (Verdadero Positivo) = número de Verdaderos Positivos, es decir, el número de
babesias que son babesias reales entre las babesias D detectadas. Es decir, cuando nuestro modelo
predice correctamente la babesia.
● FP (Falso Positivo) = número de falsos positivos, es decir, el número de babesias que
no son babesias reales entre las babesias D detectadas. Es decir, cuando no hay babesias en la
imagen de entrada y el algoritmo propuesto aún detecta la babesia.
pág. 8677
● FN (Falso negativo) = número de falsos negativos, es decir, el número de babesias
reales que no se han detectado. Es decir, cuando hay babesias en la imagen de entrada y el
algoritmo propuesto no detecta la babesia.
● Confidence = la puntuación de confianza muestra qué tan seguro está el modelo
YOLO con respecto a la presencia de la región de babesia.
● R ó Recall (sensibilidad) = TP / (TP+FN)
● P ó Precision (valor predictivo positivo) = TP / (TP+FP)
Muestra hasta qué punto la detección positiva de la babesia es realmente correcta
● F-measure (F1) = 2 * (Precision * Recall) / (Precision + Recall)
Es la media armónica de precisión y recuperación. Cuanto mayor sea la puntuación F1, mejor
será el algoritmo.
Imagen 3. Resultados de entrenamiento
Fuente: el autor
Imagen 4. Tiempos aproximados de Inferencia en una imagen
A partir de las métricas generadas del entrenamiento se calcula la metrica F1:
Imagen 5. cálculo de la métrica para calcular el nivel de confianza
Fuente: el autor
2 × 𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 × 𝑅𝑒𝑐𝑎𝑙𝑙
𝐹
1 =
𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛 + 𝑅𝑒𝑐𝑎𝑙𝑙
𝐹1 = 0.9019
pág. 8678
Imagen 6. Matriz de Confusión
Fuente: El Autor
En el conjunto de datos propuesto, el conjunto de validación tiene un total de 15 imágenes de
histopatología con 29 objetos de babesia etiquetados o anotados. El modelo YOLOv8 entrenado
se aplica al conjunto de validación y se evalúa su rendimiento.
Entre el total de 29 objetos de babesia, 26 objetos se detectan correctamente (TP = 26), se pasan
por alto 3 babesias (FN = 3) y 1 objeto adicional se detectan como babesia (FP = 1). La precisión,
la recuperación y la puntuación F1 del método de referencia en el conjunto de prueba son 0,898,
0,906 y 0,9019 respectivamentente.
pág. 8679
Tabla 2 Resumen del rendimiento del modelo de referencia (YOLOv8) en el conjunto de
validación
En resumen, la babesia se tarea de una sola clase u para su mantienen los parámetros con defecto,
modifican el batch=1, la épocas o tamaño de entrada se configuró en mantener
una detección
de considera una clasificación de objeto a detectar y entrenamiento se mayor parte de sus valores
por únicamente se tamaño del lote o cantidad de epochs=70, el
de la red o imgsz 2048 ×
2048 para resolución similar a la imagen original y evitar perder información al redimensionar a
valores inferiores. Estas configuraciones permiten entrenar el modelo y no superar el consumo
máximo de hardware permitido por la plataforma Google Colab, de no ser así la plataforma
detendrá el entrenamiento.
Parameter
Value
Precision (Box)
0.898
Recall (Box)
0.906
mAP50 (Box)
0.898
mAP50-95 (Box)
0.632
Precision (Mask)
0. 898
Recall (Mask)
0. 906
mAP50 (Mask)
0.898
mAP50-95 (Mask)
0.645
F1-Score
0.7808
True Positive (TP)
26
False Positive (FP)
1
False Negative (FN)
3
pág. 8680
Imagen 7. Validación en comparación a la base de datos formada
Fuente: El autor
Imagen 8. Visualización de Resultados con 0.81 de validación
Fuente: el autor
Imagen 9 Visualización de resultados con 0.41 y 0.33 de validación
Fuente: el autor
pág. 8681
Imagen 10. Visualización de resultados con 0.90 y 0.95 de validación
Fuente: el autor
Imagen 11. Visualización de resultados con 0.72 de validación
Fuente: el autor
pág. 8682
Imagen 14. Visualización de resultados con 0.86 y 0.79 de validación
Fuente: El autor
CONCLUSIONES
En el presente trabajo se creó una data o base de datos con un numero de 630 imágenes de las
cuales 476 fueron escogidas para el entrenamiento del programa y 15 imágenes para validación.
La creación de una base de datos basados en imágenes se utiliza en la visión por computadora, van
desde cambiar el brillo hasta agregar ruido aleatorio a las imágenes. Éstos son algunos de los más
comunes: rotación, recorte aleatorio, exposición, desenfoque, voltear, saturación, ruido aleatorio,
aumento de mosaico. La inteligencia artificial ha mejorado en la eficiencia y precisión de los
enfoques diagnósticos médicos sobre todo en el campo de la citología debido a que los programas
se basan en secuencias de imágenes los cuales se segmentan según su estructura o forma celular,
esto a permitido que los diagnostico sean más precisos y a tiempo (14,22).
Las imágenes que se obtuvieron ingresaron al programa supervaesly, en el cual se realizó el recorte
o etiquetado de cada estructura de merozoito encontrados en los frontis sanguíneos positivos a
babesia. El programa supervaesly nos da muchas opciones para recortar en diferentes tamaños y
formas de acuerdo a la necesidad de cada imagen, este proceso de etiquetado no tomo de mucho
tiempo y su realización es sencilla debido a que el programa puede realizar muchas operaciones
tanto de recorte o etiquetado y de dar forma a las imágenes de acuerdo a la necesidad del autor.
La detección de babesia se considera una tarea de clasificación de una sola clase u objeto a detectar
y para su entrenamiento se mantienen la mayor parte de parámetros con sus valores por defecto,
pág. 8683
únicamente se modifican el tamaño por ello Roles Data, nos indica que si hay imágenes a las que
les faltan anotaciones, puede profundizar más para agregar las anotaciones necesarias, es decir que
si la imagen no tiene anotaciones nulas, puede considerar agregar algunas según el proyecto en el
que esté trabajando.
REFERENCIAS BIBLIOGRÁFICAS
Enrique c, roa m. ciencia unisalle evaluación molecular , de ehrlichia canis y babesia canis en
caninos militares de la fuerza aérea colombiana. 2019;
Espinoza r. universidad agraria del ecuador | ambiental. universidad agraria del ecuador facultad de
ciencias agrarias [internet]. 2020; disponible en:
https://www.uagraria.edu.ec/carrera_ambiental.php
Fernández C., F. (2024). Determinación De Erodabilidad En Áreas De Influencia Cuenca Poopo
Región Andina De Bolivia. Horizonte Académico, 4(4), 63–78. Recuperado a partir de
https://horizonteacademico.org/index.php/horizonte/article/view/19
Vargas-cuy, d. h., torres-caycedo, m. i., & pulido-medellín mo. anaplasmosis y babesiosis estado actual.
universidad de boyacá [internet]. (https://orcid.org/0000-0003-0690-3182 ):26. disponible en:
https://revistas.uptc.edu.co/index.php/pensamiento_accion/article/view/9723/8243#info
Zhang c, jiang h, jiang h, xi h, chen b, liu y, et al. deep learning for microscopic examination of protozoan
parasites. vol. 20, computational and structural biotechnology journal. elsevier b.v.; 2022. p.
1036-43.
Dioselina lanzagorta-ortega1 diego l. carrillo- pérez1 2 * raúl carrillo-esper3. inteligencia artificial en
medicina: presente y futuro.
https://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=s0016-38132022001100017. 20
de enero de 2022;
Ruiz Díaz Benítez , J. R. (2023). Design of a reference architecture in intelligent warehouse
supply logistics through the use of Industry 4.0 technologies. Case of retail Warehouses
in the city of Pilar. Revista Veritas De Difusão Científica, 4(2), 120–136.
https://doi.org/10.61616/rvdc.v4i2.50
Da Silva Santos , F., & López Vargas , R. (2020). Efecto del Estrés en la Función Inmune en
pág. 8684
Pacientes con Enfermedades Autoinmunes: una Revisión de Estudios
Latinoamericanos. Revista Científica De Salud Y Desarrollo Humano, 1(1), 46–59.
https://doi.org/10.61368/r.s.d.h.v1i1.9
Merchán Arianna, L“Análisis de la prevalencia de babesia canis mediante frotis sanguíneo en perros del
litoral Ecuatoriano” Universidad técnica de babahoyo. 2012
https://rraae.cedia.edu.ec/Author/Home?author=Merch%C3%A1n&type=Author&page=64
Rojas a. patógenos transmitidos por vectores en perros de costa rica: primera descripción molecular de
infecciones por babesia vogeli y hepatozoon canis con alta prevalencia de ehrlichiosis
monocítica y las manifestaciones de coinfección. 2018;(46234799):15. disponible en:
https://www.sciencedirect.com/science/article/abs/pii/s030440171300589x?via%3dihub
Universidad de Guayaquil facultad de medicina veterinaria y zootecnia trabajo de titulación previo a la
obtención del título de : médico ( a ) veterinario ( a ) zootecnista tema : prevalencia de babesia
spp en sangre venosa decaninos ( canis lupus famili. 2017;
Loayza romero m de los á. determinación de babesia canis en caninos de la ciudad de machala provincia
de el oro. 2014;89. disponible en:
http://repositorio.utmachala.edu.ec/bitstream/48000/1464/7/cd531_tesis.pdf
Morilla González, Ruiz Navarrete Muñoz, Maria Angela. (1987). "Inmunología de la babesiosis”
Universidad Nacional Autónoma de México, México. Recuperado de
https://repositorio.unam.mx/contenidos/92033
Sanabria l. babesiosis en caninos: hallazgos semiológicos y pruebas complementarias de laboratorio para
su diagnóstico. universidad de ciencias aplicadas y ambientales [internet]. 2020;1-58. disponible
en: https://www.sciencedirect.com/science/article/pii/s1877959x19302304
Li S, yang q, jiang h, cortés-vecino ja, zhang y. parasitologist-level classification of apicomplexan
parasites and host cell with deep cycle transfer learning (dctl). bioinformatics. 15 de agosto de
2020;36(16):4498-505.
Zehra t, anjum s, mahmood t, shams m, sultan ba, ahmad z, et al. a novel deep learning-based mitosis
recognition approach and dataset for uterine leiomyosarcoma histopathology. cancers (basel). 3
de agosto de 2022;
pág. 8685
Edgardo muñoz rodríguez jorge alberto moreno espinosa e, sergio arboleda u. uso de la ciencia de datos
y herramientas tecnológicas para el mejoramiento en la prestación del cuidado de la salud autor
(es): Diana María Torres Garzón.
Lanzagorta-ortega d, carrillo-pérez dl, carrillo- esper r. artificial intelligence in medicine: present and
future. gac med mex. 1 de diciembre de 2022;158:55-9.
Lomas Tapia , K. R., Trujillo, C. A., Guzman, X., & Paz Alcívar, M. Y. (2024). Relación entre la
alimentación saludable y el aprendizaje de los niños y niñas de educación Inicial del CEI
Martín González del cantón Cayambe-Ecuador. Emergentes - Revista Científica, 4(1),
391–410. https://doi.org/10.60112/erc.v4i1.120
Tama Sánchez, M. A., Quiroz Mendoza, I. U., Medina Paredes, E., Paredes Romero, J. E., & Haro
Baque, C. V. (2024). Síndrome de C.R.E.S.T. Presentación de un Caso. Descripción breve
de la Patología. Revista Científica De Salud Y Desarrollo Humano, 5(1), 01–13.
https://doi.org/10.61368/r.s.d.h.v5i1.69
Naranjo m, lisette v, bello r, maría a, román r, washington j, et al. las tecnicas de elisai by elisai and pcr
techniques in three livestock farms of pastaza province , ecuador. 2017;
Eduardo vallejo esquerra. tincion babesia. universidad autonoma de queretaro. 22021;156.
Oswaldo lugo-reyes s, maldonado-colín g, murata c, oswaldo lugo reyes s. correspondencia [internet].
disponible en: www.nietoeditores.com.mx26.smith
Chi Zhang, Hao Jiang, Hanlin Jiang, Hui Xi, Baodong Chen, Yubing Liu, Mario Juhas, Junyi Li, Yang
Zhang, Deep learning for microscopic examination of protozoan parasites, Computational and
Structural Biotechnology Journal, Volume 20,2022,Pages 1036-1043,ISSN 2001-
0370,https://doi.org/10.1016/j.csbj.2022.02.005.(https://www.sciencedirect.com/science/articl
e/pii/S2001037022000423 )
Amalia yuni, Jeisury Nataly Castro Valenci, Laura Camila Ibarra Buitrón “Identificación y frecuencia
de garrapatas sp en caninos de tres fundaciones animales del municipio de Popayán” 2022
Universidad Antonio Mariño
http://186.28.225.13:8080/handle/123456789/1735/browse?type=title&sort_by=1&order=AS
C&rpp=20&etal=3&null=&offset=2808
pág. 8686
Castellón ps, palacios mv. determinación de la prevalencia de babesiosis en caninos de la ciudad de león
en el periodo de noviembre-diciembre 2014, utilizando la técnica de tinción. 2015; disponible
en: http://riul.unanleon.edu.ni:8080/jspui/bitstream/123456789/3302/1/228207.pdf
Mukilan krishnakumar. a gentle introduction to yolov8. weigths and biases. 8 de julio de 2023;
Meléndez Zambrano, J. (2024). Enseñanza de Sel desde un Análisis Semiótico en Estudiantes de
Noveno Grado de Educación Básica Secundaria en Colombia. Estudios Y Perspectivas
Revista Científica Y Académica , 4(2), 31–47. https://doi.org/10.61384/r.c.a.v4i2.191
Medina Nolasco, E. K., Mendoza Buleje, E. R., Vilca Apaza, G. R., Mamani Fernández, N. N.,
& Alfaro Campos, K. (2024). Tamizaje de cáncer de cuello uterino en mujeres de una
región Andina del Perú. Arandu UTIC, 11(1), 50–63.
https://doi.org/10.69639/arandu.v11i1.177
Jiangh, LiS, LiuW., Zhengh, Liuj, ZhangY.2020. Detección de células con reconocimiento de geometría
con aprendizaje profundo. mSystems 5:10.1128/msystems.00840-19.
https://doi.org/10.1128/msystems.00840-19 Roles data. health check. 2023.