Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Deep learning para el diagnóstico automático de lesiones de la membrana timpánica mediante otoscopia digital: precisión  
diagnóstica, aplicaciones clínicas y desafíos de implementación.  
DOI: https://doi.org/10.46296/yc.v10i19.0972  
DEEP LEARNING PARA EL DIAGNÓSTICO AUTOMÁTICO DE LESIONES  
DE LA MEMBRANA TIMPÁNICA MEDIANTE OTOSCOPIA DIGITAL:  
PRECISIÓN DIAGNÓSTICA, APLICACIONES CLÍNICAS Y DESAFÍOS DE  
IMPLEMENTACIÓN  
DEEP LEARNING FOR THE AUTOMATED DIAGNOSIS OF TYMPANIC  
MEMBRANE LESIONS USING DIGITAL OTOSCOPY: DIAGNOSTIC  
ACCURACY, CLINICAL APPLICATIONS, AND IMPLEMENTATION  
CHALLENGES  
1
2
Romero-Ibáñez Heiddy Carolina ; Mena-Torres Belén Isabel ; Pazmiño-Vera  
3
4
5
Katherine Liliana ; Rocano-Salinas Bryam Alejandro ; Bermeo-Polo Iván Mauricio  
1
Médico general, MSc. Salud y seguridad ocupacional. Guayaquil, Ecuador.  
Correo: heiddyta100@gmail.com  
2
Médico general, Centro de Salud de Zumba. Ecuador.  
Correo: belenmenat@gmail.com. ORCID ID: https://orcid.org/0009-0009-1428-8272  
3
Médico general, Hospital General Monte Sinaí. Guayaquil, Ecuador.  
Correo: katherineliliana_1999@outlook.es. ORCID ID: https://orcid.org/0009-0008-2497-886X  
4
Médico General, Universidad católica de Cuenca. Ecuador.  
Correo: alebars1997@hotmail.com. ORCID: https://orcid.org/0009-0003-7809-8597  
5
Médico General, Ministerio de Salud Pública. Quito, Ecuador.  
Correo: ivanb.p@hotmail.com. ORCID: https://orcid.org/0009-0009-5576-057X  
Resumen  
Introducción: La otoscopia constituye el pilar de la evaluación de la membrana timpánica, pero  
su interpretación depende de la experiencia del examinador, de la calidad de la imagen y de la  
correcta visualización de los reparos anatómicos. En los últimos años, el deep learning ha  
permitido automatizar tareas de clasificación, segmentación y cuantificación de lesiones  
timpánicas, con aplicaciones potenciales en otorrinolaringología, atención primaria y  
telemedicina. Objetivo: Analizar la evidencia reciente sobre deep learning aplicado al diagnóstico  
automático de lesiones de la membrana timpánica mediante otoscopia digital, describiendo  
desempeño diagnóstico, utilidad clínica, limitaciones y prioridades para su implementación  
segura. Métodos: Se realizó una revisión narrativa crítica y actualización de evidencia publicada  
principalmente entre enero de 2020 y agosto de 2026. Se priorizaron estudios originales y  
revisiones indexadas que evaluaron redes neuronales profundas sobre imágenes otoscópicas u  
otoendoscópicas para clasificación, detección, segmentación o cuantificación de patología  
timpánica. Se extrajeron arquitectura, tamaño del conjunto de imágenes, categorías  
diagnósticas, estrategia de validación y métricas de rendimiento. Resultados: Las redes  
convolucionales alcanzan con frecuencia exactitudes superiores al 90% en validaciones internas  
para diferenciar membranas normales de patológicas y para clasificar otitis media, perforaciones  
y colesteatoma. Estudios con 2.272 a 6.066 imágenes reportaron exactitudes aproximadas de  
93–97%, mientras que sistemas móviles han mostrado rendimiento elevado en escenarios  
controlados. Sin embargo, la validación externa evidencia una disminución sustancial del  
desempeño: un estudio multicohorte mostró una caída del AUROC medio de 0,95 en validación  
interna a 0,76 en conjuntos externos. La segmentación automática ha alcanzado coeficientes  
Dice cercanos a 0,93 y permite cuantificar perforaciones y extraer características con valor  
funcional. Conclusiones: El deep learning aplicado a otoscopia digital presenta un alto potencial  
como herramienta de apoyo diagnóstico, triage y tele-otoscopia, pero la evidencia actual no  
justifica su uso autónomo. La generalización entre dispositivos, centros y poblaciones, la calidad  
Información del manuscrito:  
Fecha de recepción: 17 de abril de 2026.  
Fecha de aceptación: 22 de junio de 2026.  
Fecha de publicación: 10 de julio de 2026.  
9
39  
Romero-Ibáñez et al. (2026)  
del estándar de referencia, la calibración, la explicabilidad y la validación prospectiva  
multicéntrica siguen siendo requisitos esenciales para la transición desde prototipos de  
investigación hacia sistemas clínicamente confiables.  
Palabras claves: deep learning; membrana timpánica; otoscopia; inteligencia artificial; otitis  
media; perforación timpánica; colesteatoma; imagen médica.  
Abstract  
Introduction: Otoscopy is central to tympanic membrane assessment, but interpretation depends  
on examiner expertise, image quality, and adequate visualization of anatomic landmarks. Deep  
learning has enabled automated classification, segmentation, and quantitative analysis of  
tympanic membrane abnormalities, creating potential applications in otolaryngology, primary  
care, and telemedicine. Objective: To critically review recent evidence on deep learning for  
automated diagnosis of tympanic membrane lesions using digital otoscopy, focusing on  
diagnostic performance, clinical utility, limitations, and priorities for safe implementation. Methods:  
A structured narrative review and evidence update was conducted, focusing mainly on studies  
published from January 2020 through August 2026. Original studies and indexed reviews  
evaluating deep neural networks on otoscopic or otoendoscopic images for classification,  
detection, segmentation, or quantification of tympanic membrane pathology were prioritized.  
Architecture, dataset size, diagnostic classes, validation strategy, and performance metrics were  
extracted. Results: Convolutional neural networks frequently achieve internal-validation  
accuracies above 90% for normal-versus-abnormal classification and for otitis media, tympanic  
membrane perforation, and cholesteatoma. Studies using 2,272–6,066 images reported  
accuracies of approximately 93–97%, and smartphone-based systems have demonstrated high  
performance under controlled conditions. Nonetheless, external validation shows a relevant  
performance drop; a multicohort study reported a decrease in mean AUROC from 0.95 internally  
to 0.76 on external datasets. Automated segmentation has achieved Dice coefficients around  
0.93 and can quantify perforation morphology and derive functionally relevant image features.  
Conclusions: Deep learning applied to digital otoscopy is promising for diagnostic support, triage,  
and tele-otoscopy, but current evidence does not support autonomous clinical use. Cross-device  
and cross-population generalizability, robust reference standards, calibration, explainability, and  
prospective multicenter validation remain essential before routine deployment.  
Keywords: deep learning; tympanic membrane; otoscopy; artificial intelligence; otitis media;  
tympanic membrane perforation; cholesteatoma; medical imaging.  
queratínicos, el clínico establece  
1
. Introducción  
diagnósticos que abarcan desde  
variantes normales hasta otitis media  
aguda, otitis media con efusión, otitis  
media crónica, perforación timpánica  
y colesteatoma. Aunque la otoscopia  
La inspección de la membrana  
timpánica mediante otoscopia u  
otoendoscopia es una de las  
exploraciones más frecuentes en  
otorrinolaringología  
y
atención  
es  
interpretación presenta variabilidad  
interobservador puede ser  
accesible  
y
rápida,  
su  
primaria. A partir de características  
como transparencia, coloración,  
posición, integridad, vascularización,  
presencia de líquido, retracciones,  
y
especialmente difícil cuando la  
calidad de la imagen es deficiente o  
el examinador tiene experiencia  
limitada [1,2].  
placas  
de  
timpanoesclerosis,  
detritos  
perforaciones  
o
9
40  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Deep learning para el diagnóstico automático de lesiones de la membrana timpánica mediante otoscopia digital: precisión  
diagnóstica, aplicaciones clínicas y desafíos de implementación.  
La digitalización de la otoscopia ha  
transformado esta limitación en una  
resultados funcionales auditivos [8–  
12,20–22]. Este avance sitúa a la  
otoscopia asistida por inteligencia  
artificial en la intersección entre  
otorrinolaringología, imagen médica  
y salud digital.  
oportunidad  
para  
Las  
el  
análisis  
computacional.  
imágenes  
obtenidas con video-otoscopios,  
endoscopios rígidos y accesorios  
acoplados a teléfonos inteligentes  
pueden almacenarse, ampliarse y  
procesarse mediante visión por  
computador. A diferencia de los  
métodos clásicos de aprendizaje  
automático, el deep learning aprende  
El objetivo de esta revisión es  
sintetizar críticamente la evidencia  
contemporánea sobre deep learning  
aplicado al diagnóstico automático  
de lesiones de la membrana  
timpánica mediante otoscopia digital,  
con énfasis en precisión diagnóstica,  
tareas de imagen, utilidad clínica,  
validación externa, integración con  
dispositivos móviles y barreras para  
su implementación segura.  
representaciones  
jerárquicas  
directamente desde los píxeles, lo  
que permite identificar patrones de  
textura, color, contorno y estructura  
sin definir manualmente todas las  
características relevantes [3–8].  
Las neuronales  
redes  
2
. Materiales y métodos  
convolucionales (CNN) —incluyendo  
ResNet,  
DenseNet, Inception,  
EfficientNet  
2
.1 Diseño de la revisión  
MobileNet,  
y
Se realizó una revisión narrativa  
crítica con actualización  
arquitecturas derivadas de U-Net—  
han sido las más utilizadas en  
estructurada de la evidencia. Este  
diseño fue elegido para integrar  
estudios de desarrollo de algoritmos,  
estudios de exactitud diagnóstica,  
otoscopia  
automática.  
Sus  
aplicaciones se han expandido  
desde la clasificación binaria  
normal/anormal  
diferenciación  
hasta  
la  
la  
trabajos  
de  
segmentación  
comparaciones  
revisiones  
y
multiclase,  
cuantificación,  
segmentación de la membrana y de  
las perforaciones, la estimación del  
humano–máquina  
y
sistemáticas, cuya heterogeneidad  
tamaño más  
lesional  
y,  
recientemente, la predicción de  
9
41  
Romero-Ibáñez et al. (2026)  
metodológica dificulta una síntesis  
cuantitativa única.  
que  
informaron  
resultados  
cuantitativos  
detección,  
de  
clasificación,  
segmentación  
o
2
.2 Estrategia de identificación de  
predicción basada en imagen. Se  
consideraron variables como tamaño  
del conjunto de datos, categorías  
diagnósticas, arquitectura de red,  
estrategia de partición o validación,  
evidencia  
La actualización bibliográfica se  
centró principalmente en literatura  
publicada entre enero de 2020 y  
agosto de 2026, incorporando  
sensibilidad,  
especificidad,  
exactitud, F1, AUROC, Dice e IoU.  
También se incluyeron revisiones  
algunos  
trabajos  
previos  
considerados fundacionales para  
contextualizar la evolución del  
campo. Se priorizaron registros  
indexados en PubMed/MEDLINE y  
artículos disponibles en revistas de  
otorrinolaringología, imagen médica,  
inteligencia artificial y salud digital.  
sistemáticas  
o
metaanálisis  
relevantes para contextualizar la  
consistencia de la evidencia. Se  
excluyeron  
trabajos  
puramente  
técnicos sin relación directa con  
patología timpánica clínica o sin  
información  
suficiente  
para  
Los  
términos  
de  
búsqueda  
interpretar el desempeño.  
combinaron conceptos equivalentes  
a “tympanic membrane”, “otoscopy”,  
2
.4 Enfoque de síntesis  
“
“
“
otoendoscopy”,  
“otitis  
media”,  
tympanic membrane perforation”,  
Los hallazgos se organizaron en  
cinco dominios: clasificación  
diagnóstica, segmentación y  
cholesteatoma”,  
“artificial  
learning”,  
network”,  
intelligence”,  
“deep  
neural  
“
“
“
convolutional  
cuantificación, desempeño frente a  
clínicos, generalización externa e  
implementación en dispositivos  
computer vision”, “segmentation” y  
automated diagnosis”.  
móviles/telemedicina.  
Dado  
el  
2
.3 Criterios de selección y  
carácter narrativo de la revisión, no  
se realizó metaanálisis de novo ni  
evaluación formal de riesgo de  
sesgo; en cambio, se priorizó la  
extracción  
Se priorizaron estudios en humanos  
que imágenes  
emplearon  
interpretación amenazas  
de  
otoscópicas u otoendoscópicas y  
recurrentes a la validez, como  
9
42  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Deep learning para el diagnóstico automático de lesiones de la membrana timpánica mediante otoscopia digital: precisión  
diagnóstica, aplicaciones clínicas y desafíos de implementación.  
sobreajuste, fuga de datos, sesgo de  
selección, referencia diagnóstica  
insuficiente y cambio de dominio  
entre centros o dispositivos.  
Posteriormente, Cai et al. evaluaron  
un sistema de CNN con atención en  
6.066 imágenes de 2.022  
participantes y cuatro categorías  
timpánicas. El modelo basado en  
ResNet50 alcanzó 93,4% de  
exactitud global en validación  
cruzada; el F1 fue 94,3% para  
membranas normales y 96,8% para  
otitis media con efusión, mientras  
que la diferenciación entre estados  
de otitis media crónica fue más  
exigente [8]. La utilización de mapas  
de activación permitió además  
3
. Resultados  
Evolución  
3
.1  
desde  
básica  
modelos multiclase  
la  
clasificación  
hacia  
Los primeros sistemas modernos  
demostraron que las CNN podían  
reconocer la lateralidad timpánica y  
detectar  
perforaciones  
con  
verificar  
que  
el  
algoritmo  
rendimiento clínicamente relevante.  
Lee y colaboradores reportaron una  
exactitud de 91,0% para identificar  
perforación timpánica mediante CNN  
concentraba la atención en regiones  
anatómicamente relevantes.  
Byun et al. desarrollaron una red  
ResNet18 + Shuffle con 2.272  
imágenes de membrana timpánica,  
clasificando normalidad, otitis media  
con efusión, otitis media crónica y  
colesteatoma. La mejor exactitud  
alcanzó 97,18%, y el apoyo del  
modelo mejoró el rendimiento de  
médicos residentes en hasta 18,4  
puntos porcentuales, lo que respalda  
una función de asistencia más que  
de sustitución del especialista [10].  
En paralelo, Tsutsumi et al.  
compararon varias arquitecturas  
sobre 400 imágenes y encontraron  
que MobileNetV2 alcanzó un  
[
3]. En 2020, Khan et al. entrenaron  
modelos sobre 2.484 imágenes  
otoendoscópicas clasificadas como  
normal, otitis media crónica con  
perforación y otitis media con  
efusión,  
alcanzando  
aproximadamente 95% de exactitud  
y un AUROC medio cercano a 0,99  
[
5]. Estos trabajos establecieron que  
la morfología timpánica contiene  
señales visuales suficientes para  
una clasificación automatizada  
robusta en conjuntos controlados.  
9
43  
Romero-Ibáñez et al. (2026)  
AUROC  
clasificación binaria normal/anormal  
11].  
de  
0,902  
para  
la  
un conjunto de prueba independiente  
temporal de 326 imágenes. En el  
conjunto de prueba, la clasificación  
normal versus anormal alcanzó una  
[
3
.2  
Sistemas  
móviles  
y
sensibilidad de 99,0%  
y
una  
Sin  
clasificación  
patologías  
de  
múltiples  
especificidad de 95,2%.  
embargo, la sensibilidad para  
categorías específicas osciló entre  
La  
integración  
con  
teléfonos  
3
3,3% y 100%, demostrando que un  
inteligentes representa una de las  
líneas más atractivas para trasladar  
estos modelos fuera de centros  
excelente rendimiento binario no  
implica una identificación multiclase  
uniforme [20]. Este hallazgo es  
especialmente relevante para la  
práctica clínica, donde los errores  
entre perforación, otitis externa,  
especializados.  
Chen  
et  
al.  
desarrollaron un sistema basado en  
aprendizaje por transferencia para  
diez categorías de enfermedad de  
oído medio a partir de 2.820  
timpanoesclerosis,  
injertos  
o
cavidades posquirúrgicas pueden  
modificar la conducta.  
imágenes  
optimización, el rendimiento alcanzó  
8,0% de exactitud y la aplicación  
móvil mostró una exactitud de  
7,6%; además, superó a médicos  
generales y residentes en una  
prueba de interpretación de  
clínicas.  
Tras  
9
3
.3 Segmentación automática y  
cuantificación de lesiones  
9
La clasificación responde a la  
pregunta “qué diagnóstico parece  
mostrar la imagen”, mientras que la  
imágenes [13]. Aunque estos  
resultados son prometedores, fueron  
obtenidos dentro de un ecosistema  
de datos y dispositivos relativamente  
controlado.  
segmentación  
intenta  
delimitar  
“dónde está la estructura o lesión”.  
Esta segunda tarea es crucial  
cuando se pretende cuantificar una  
perforación o extraer características  
morfológicas reproducibles. Pham et  
al. propusieron EAR-UNet, una  
arquitectura que integra EfficientNet,  
puertas de atención y bloques  
residuales, evaluada en 1.012  
Un avance de mayor escala fue  
publicado por Dubois et al. en 2024.  
El algoritmo Inception-v2 se entrenó  
con 41.664 imágenes y fue evaluado  
en 3.962 imágenes de validación y  
9
44  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Deep learning para el diagnóstico automático de lesiones de la membrana timpánica mediante otoscopia digital: precisión  
diagnóstica, aplicaciones clínicas y desafíos de implementación.  
imágenes. El coeficiente Dice medio  
para segmentación de la membrana  
timpánica fue 0,929, mostrando una  
delineación anatómica consistente  
para la perforación, y los modelos de  
predicción  
auditiva mostraron  
comparable  
rendimiento  
a
mediciones basadas en anotación  
manual [22]. La misma línea de  
investigación se ha extendido a  
modelos que integran características  
de imagen y variables clínicas para  
sin o  
posprocesamiento manual complejo  
9].  
preprocesamiento  
[
Nwosu et al. llevaron esta lógica a la  
medición de perforaciones. En un  
estudio de prueba de concepto, un  
modelo de visión por computador  
calculó el tamaño relativo de la  
perforación respecto a la membrana  
visible. El error promedio del  
algoritmo fue una sobreestimación  
de 0,8%, frente a 11,0% en la  
predecir  
resultados  
auditivos  
después de timpanoplastia tipo I [23].  
3.4 Colesteatoma: una aplicación  
de alto valor clínico  
El colesteatoma constituye un  
objetivo especialmente relevante  
porque puede pasar inadvertido en la  
exploración inicial y su retraso  
diagnóstico se asocia con erosión  
ósea y complicaciones. Tseng et al.  
analizaron 834 imágenes —197 con  
colesteatoma, 457 con alteraciones  
estimación  
visual  
de  
otorrinolaringólogos  
encuestados  
[
19]. Aunque el conjunto de  
perforaciones fue pequeño  
y
relativamente homogéneo, el estudio  
ilustra el valor de transformar la  
otoscopia desde una apreciación  
cualitativa hacia biomarcadores de  
imagen cuantificables.  
no  
normales— mediante ocho CNN  
preentrenadas. DenseNet201  
alcanzó 98,5% de exactitud para  
colesteatomatosas  
y
180  
diferenciar  
colesteatoma  
de  
la  
En 2026, Liu et al. utilizaron Mask R-  
CNN para segmentar membrana y  
perforación en 1.239 imágenes y  
derivar variables morfológicas con  
las que se estimó la brecha aéreo-  
ósea. Los coeficientes Dice fueron  
normalidad,  
discriminación  
mientras  
frente  
que  
a
otras  
membranas anormales fue más  
difícil, con exactitudes aproximadas  
de 75,6–90,1% según la arquitectura  
[17]. Este patrón vuelve a subrayar  
que el desafío real no es separar una  
0
,875 para la membrana y 0,894  
9
45  
Romero-Ibáñez et al. (2026)  
lesión llamativa de una membrana  
una exactitud media de 86% para  
clasificación basada en imágenes,  
con un rango amplio de 48,7% a  
99,16%, reflejo de la marcada  
heterogeneidad entre conjuntos de  
datos, tareas y diseños [18].  
sana,  
sino  
distinguir entre  
patológicos  
diagnósticos  
visualmente parecidos.  
3
.5 Lo que muestran las  
revisiones y metaanálisis  
3
.6  
El  
problema  
decisivo:  
La consistencia global de los  
resultados ha sido analizada en  
varias síntesis. Habib et al.  
incluyeron 39 artículos y reportaron  
una exactitud agrupada de 90,7%  
para diferenciar imágenes normales  
de anormales. En estudios con  
comparación directa, los algoritmos  
alcanzaron 93,4% de exactitud frente  
a 73,2% en evaluadores humanos, y  
las CNN mostraron el mejor  
rendimiento entre las familias de  
algoritmos analizadas [14].  
generalización externa  
La principal barrera para afirmar que  
estos sistemas están listos para  
diagnóstico autónomo es la pérdida  
de rendimiento cuando se aplican a  
imágenes obtenidas fuera del  
entorno de entrenamiento. Habib et  
al. evaluaron 1.842 imágenes  
procedentes de Turquía, Chile y  
Estados Unidos. Los modelos  
alcanzaron un AUROC interno medio  
de 0,95, pero al probarse en  
cohortes externas el AUROC  
descendió a 0,76; la diferencia media  
fue −0,19 y resultó estadísticamente  
significativa [16]. Al combinar datos  
heterogéneos de los tres sitios, el  
desempeño volvió a mejorar, lo que  
aporta evidencia directa a favor de  
Cao et al. incluyeron 16 estudios con  
2
0.254 imágenes timpánicas  
y
estimaron sensibilidad de 93%,  
especificidad de 85% y AUROC  
global de 94%. El metaanálisis  
observó mejor rendimiento con  
imágenes otoendoscópicas que con  
otoscopia convencional, lo que  
sugiere que la calidad de adquisición  
conjuntos  
de  
entrenamiento  
multicéntricos y diversos.  
y
el campo visual influyen  
Este fenómeno, conocido como  
domain shift o cambio de dominio,  
puede originarse por diferencias en  
iluminación, resolución, tipo de  
sustancialmente en la capacidad del  
algoritmo [15]. Song et al., en otra  
revisión de 32 estudios, encontraron  
9
46  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Deep learning para el diagnóstico automático de lesiones de la membrana timpánica mediante otoscopia digital: precisión  
diagnóstica, aplicaciones clínicas y desafíos de implementación.  
otoscopio, encuadre, color, limpieza  
del conducto, prevalencia de  
etiquetado. Por ello, una exactitud  
interna superior al 95% no debe  
interpretarse automáticamente como  
rendimiento clínico generalizable.  
diagnósticos,  
demográficas  
características  
criterios de  
o
3
.7 Estudios representativos  
Tabla 1. Estudios representativos de deep learning aplicado a otoscopia y membrana timpánica  
Resultado  
Estudio  
Imágenes / muestra Tarea principal  
Modelo / enfoque  
CNN  
destacado  
1,0%  
9
para  
97,9%  
Imágenes timpánicas Perforación  
y
Lee et al., 2019 [3]  
perforación;  
para lateralidad  
clínicas  
lateralidad  
Normal vs COM con  
perforación vs OME  
≈95% de exactitud;  
AUROC medio ≈0,99  
Khan et al., 2020 [5]  
Cai et al., 2021 [8]  
Pham et al., 2021 [9]  
2.484 imágenes  
DenseNet/CNN  
6.066  
imágenes; Normal,  
OME  
estados de CSOM  
Segmentación  
y
ResNet50  
atención/CAM  
+
93,4% exactitud global  
Dice medio 0,929  
2.022 participantes  
de  
1.012 imágenes  
EAR-UNet  
membrana timpánica  
97,18%  
mejor  
Normal, OME, COM,  
colesteatoma  
exactitud; mejora de  
residentes hasta 18,4  
pp  
Byun et al., 2021 [10] 2.272 imágenes  
ResNet18 + Shuffle  
9
8,0%  
optimización;  
7,6%  
tras  
app  
1
0
categorías  
+
Chen et al., 2022 [13] 2.820 imágenes  
Habib et al., 2023 1.842 imágenes,  
Ensamble CNN móvil  
pass/refer  
9
3
Normal vs anormal; Deep  
learning AUROC 0,95 interno  
[
16]  
Tseng et al., 2023  
17]  
Nwosu et al., 2024  
19]  
países  
34 imágenes  
Prueba de concepto  
generalización  
multicohorte  
vs 0,76 externo  
Hasta  
98,5%  
vs  
Detección  
colesteatoma  
de  
8
8 CNN preentrenadas  
Visión por computador  
colesteatoma  
normal  
Error 0,8% vs 11,0%  
en estimación clínica  
Normal/anormal:  
[
Segmentación  
tamaño de perforación  
y
[
Dubois et al., 2024 41.664 entrenamiento; 11 clases; sistema  
sensibilidad  
especificidad 95,2% en  
prueba  
99,0%,  
Inception-v2  
[
20]  
326 prueba  
móvil  
9
4,51%  
94,18% sensibilidad;  
8,10% especificidad  
exactitud;  
Normal, AOM, OME,  
CSOM  
5 CNN; VGGNet-19  
mejor  
Guo et al., 2025 [21]  
Liu et al., 2026 [22]  
819 imágenes  
1.239 imágenes  
9
Segmentación  
predicción de brecha  
aéreo-ósea  
+
Mask  
R-CNN  
+
Dice 0,875 TM y 0,894  
perforación  
modelos de regresión  
Abreviaturas: AOM, otitis media aguda; OME, otitis media con efusión; COM/CSOM, otitis media  
crónica/supurativa crónica; CAM, class activation map; TM, membrana timpánica; AUROC, área  
bajo la curva ROC; pp, puntos porcentuales.  
pueden  
alcanzar exactitudes  
especialistas  
4
. Discusión  
comparables  
a
y
4
.1 ¿Qué tan cerca está la IA de un  
superiores a examinadores menos  
experimentados [10,13,14]. Sin  
embargo, el término “diagnóstico  
automático” debe utilizarse con  
precisión. La mayoría de los modelos  
analizan una imagen aislada y no  
incorporan de forma sistemática  
otalgia, fiebre, duración de síntomas,  
diagnóstico automático real?  
La literatura demuestra que la  
información visual de la membrana  
timpánica es altamente susceptible  
de aprendizaje por redes profundas.  
En tareas bien definidas y con  
imágenes de calidad, las CNN  
9
47  
Romero-Ibáñez et al. (2026)  
antecedentes  
de  
cirugía,  
pueden convertirse en fuentes de  
error. Los estudios de mayor  
rendimiento suelen aplicar filtros de  
calidad y excluir imágenes borrosas  
audiometría, timpanometría, otorrea,  
edad o evolución clínica. Por tanto,  
identifican patrones de imagen  
compatibles con diagnósticos, pero  
no reproducen todavía el proceso  
o
insuficientes,  
una  
práctica  
desarrollo  
que puede  
razonable  
para  
pero  
diagnóstico  
integral  
de  
un  
algorítmico  
otorrinolaringólogo.  
sobreestimar el rendimiento en  
condiciones reales [20].  
El uso más defendible en la  
actualidad es el de sistema de apoyo  
a la decisión. En este escenario, el  
algoritmo actúa como segundo  
lector, herramienta de triage o guía  
Los sistemas futuros deberían  
incorporar un módulo previo de  
control de calidad que determine si  
una imagen es interpretable antes de  
emitir una clasificación. Asimismo, la  
normalización entre dispositivos y la  
inclusión deliberada de imágenes  
imperfectas son necesarias para  
evitar que el algoritmo solo funcione  
con un otoscopio, un operador o una  
configuración lumínica específica.  
para  
usuarios  
con  
menor  
experiencia. La evidencia de Byun et  
al. es especialmente ilustrativa: la  
mejora de los residentes cuando  
recibían la salida del modelo sugiere  
que la combinación humano–IA  
puede ser clínicamente más valiosa  
que una competencia directa entre  
ambos [10].  
4
.3 Sesgo de conjunto de datos y  
fuga de información  
4
.2 La imagen es el dato: calidad,  
Los conjuntos otoscópicos contienen  
múltiples imágenes por paciente,  
oído o sesión. Si fotografías casi  
idénticas de un mismo paciente  
encuadre y dispositivo  
En otoscopia, pequeñas diferencias  
de adquisición pueden modificar de  
forma importante la apariencia de la  
aparecen  
simultáneamente  
prueba,  
en  
el  
membrana.  
Cerumen  
residual,  
entrenamiento  
y
reflejos especulares, desenfoque,  
baja luminosidad, exposición parcial  
del tímpano, ángulo oblicuo o  
variación del balance de blancos  
desempeño puede inflarse por fuga  
de información. La partición a nivel  
de paciente —y no únicamente de  
imagen— debe considerarse un  
9
48  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Deep learning para el diagnóstico automático de lesiones de la membrana timpánica mediante otoscopia digital: precisión  
diagnóstica, aplicaciones clínicas y desafíos de implementación.  
requisito  
metodológico.  
Los  
timpanometría  
o
hallazgos  
conjuntos de prueba temporales o  
provenientes de otros centros  
ofrecen una estimación mucho más  
exigente y clínicamente útil de la  
generalización [16,20].  
intraoperatorios puede reforzar la  
referencia; para colesteatoma, la  
confirmación quirúrgica representa  
un estándar particularmente valioso.  
Los estudios futuros deberían  
recurrir, cuando sea posible, a  
consenso de varios especialistas o a  
Otro problema es el desequilibrio de  
clases. Patologías frecuentes como  
OME o tapón de cerumen pueden  
estar bien representadas, mientras  
que injertos, colesteatoma o cuerpos  
extraños son menos numerosos. Un  
modelo puede alcanzar elevada  
exactitud global y aun así tener  
sensibilidad insuficiente para una  
clase clínicamente relevante. Por  
ello, deben informarse métricas por  
clase, intervalos de confianza,  
matrices de confusión y curvas de  
estándares  
objetivos.  
complementarios  
4.5 Explicabilidad y confianza  
clínica  
Los mapas de activación de clase  
(CAM/Grad-CAM)  
permiten  
visualizar las regiones que más  
influyen en una predicción. En  
otoscopia son útiles para comprobar  
que la red presta atención a la  
membrana  
periféricos,  
endoscopio  
y
no  
texto,  
o
a
artefactos  
marco del  
características  
calibración, depender  
evitando  
exclusivamente de la exactitud total.  
4
.4 Ground truth: ¿quién define el  
irrelevantes. No obstante, una  
visualización plausible no demuestra  
por sí sola causalidad ni seguridad.  
diagnóstico correcto?  
El estándar de referencia es otra  
fuente crítica de variabilidad. Muchos  
estudios utilizan la etiqueta asignada  
por un único otorrinolaringólogo a  
partir de la imagen o de la consulta  
clínica. Este enfoque puede ser  
razonable, pero no elimina la  
posibilidad de error de etiquetado.  
Para OME, la incorporación de  
La  
explicabilidad  
debería  
combinarse con estimaciones de  
incertidumbre y mecanismos de  
abstención, de modo que el sistema  
pueda  
declarar  
“imagen  
no  
interpretable”  
o
“confianza  
insuficiente” en vez de forzar un  
diagnóstico.  
9
49  
Romero-Ibáñez et al. (2026)  
4
.6  
Tele-otoscopia,  
atención  
posterior a la implementación son  
indispensables.  
primaria y entornos con recursos  
limitados  
4
.7 De la clasificación al fenotipo  
El mayor impacto potencial puede  
producirse en lugares donde el  
acceso a otorrinolaringología es  
limitado. Un otoscopio digital  
conectado a un teléfono inteligente  
podría capturar la imagen, evaluar su  
cuantitativo  
La evolución desde clasificación  
hacia segmentación abre una ruta  
particularmente interesante para la  
imagen  
otológica.  
área  
Medir  
de  
automáticamente  
calidad  
y
generar  
una  
perforación, cuadrante afectado,  
distancia al anulus, relación con el  
manubrio del martillo o cambios de  
color y textura puede generar  
recomendación de triage —por  
ejemplo,  
normal,  
manejo  
inicial/reevaluación  
o
referencia  
prioritaria— antes de la revisión  
remota por un especialista [13,20].  
Este enfoque puede disminuir  
derivaciones innecesarias, facilitar  
programas escolares de tamizaje y  
ampliar cobertura en zonas rurales.  
biomarcadores  
objetivos  
y
reproducibles [9,19,22]. Estos datos  
podrían integrarse con audiometría  
para predecir pérdida conductiva,  
con variables perioperatorias para  
anticipar  
resultados  
con  
de  
Sin embargo, el beneficio dependerá  
de que los modelos se entrenen con  
poblaciones y dispositivos similares  
a aquellos donde serán utilizados.  
Implementar un modelo desarrollado  
en un centro terciario de alta  
tecnología en comunidades con  
cámaras de menor resolución,  
diferente prevalencia de patología o  
imágenes tomadas por personal no  
timpanoplastia  
o
series  
longitudinales para documentar  
cicatrización.  
4
.8  
Arquitecturas  
futuras:  
transformers, video y modelos  
multimodales  
Aunque las CNN siguen dominando  
la literatura, los Vision Transformers  
y modelos híbridos ofrecen ventajas  
potenciales para capturar relaciones  
globales en la imagen. El video-  
especializado  
puede  
producir  
errores sistemáticos. Por ello, la  
validación local y la vigilancia  
otoscopio  
también  
contiene  
9
50  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Deep learning para el diagnóstico automático de lesiones de la membrana timpánica mediante otoscopia digital: precisión  
diagnóstica, aplicaciones clínicas y desafíos de implementación.  
información no aprovechada por una  
fotografía aislada: múltiples ángulos,  
variación de iluminación y, en  
combine imagen otoscópica con  
edad, síntomas, timpanometría,  
audiometría, antecedentes  
y
algunos  
sistemas,  
movilidad  
evolución podría aproximarse más al  
razonamiento clínico real. No  
obstante, aumentar la complejidad  
timpánica. La selección automática  
de fotogramas o la creación de  
imágenes  
compuestas  
puede  
exige  
mayor  
transparencia,  
mejorar la robustez.  
calibración y validación prospectiva  
antes de modificar decisiones  
terapéuticas.  
Una segunda evolución será la  
multimodalidad. Un modelo que  
Tabla 2. Principales barreras para la implementación clínica y estrategias recomendadas  
Barrera  
Riesgo clínico/metodológico  
Estrategia recomendada  
Entrenamiento  
validación externa y adaptación de  
dominio  
multicéntrico,  
Cambio  
centros/dispositivos  
de  
dominio  
entre Caída del rendimiento en imágenes  
externas  
Predicciones  
desenfoque, cerumen  
exposición  
erróneas  
por  
mala  
Módulo automático de control de  
calidad y opción de abstención  
Imágenes de baja calidad  
o
Partición  
paciente/oído/sesión  
temporal o externa  
a
nivel  
y
de  
prueba  
Fuga de datos  
Sobreestimación del rendimiento  
Métricas por clase, muestreo  
equilibrado enriquecimiento de  
clases críticas  
Consenso de expertos y pruebas  
Alta exactitud global con baja  
sensibilidad en patologías raras  
Desequilibrio de clases  
Estándar de referencia débil  
y
Etiquetas  
incorrectas  
o
complementarias  
apropiadas  
cuando  
sean  
inconsistentes  
Curvas de calibración, Brier score y  
umbrales clínicos predefinidos  
Falta de calibración  
Probabilidades poco confiables  
Dependencia de IA sin contexto Modelo como apoyo de decisión, no  
Automatización excesiva  
clínico  
autoridad autónoma  
Datasets diversos, auditoría de  
Sesgo por edad, dispositivo, región o  
población  
Poca representatividad  
subgrupos  
y
vigilancia  
posimplementación  
sea anormal, generar un ranking de  
diagnósticos posibles y nivel de  
confianza; (4) destacar visualmente  
la región relevante; y (5) dejar la  
5
. Implicaciones  
práctica clínica  
para  
la  
Con la evidencia disponible, un  
marco prudente para el uso clínico  
del deep learning en otoscopia sería:  
decisión profesional,  
final  
al  
integrando síntomas, exploración,  
(1) verificar automáticamente que la  
pruebas  
audiológicas  
y
imagen sea técnicamente  
antecedentes.  
interpretable; (2) realizar una primera  
clasificación de normalidad versus  
anormalidad; (3) cuando la imagen  
Para atención primaria, el objetivo  
más realista a corto plazo no es  
9
51  
Romero-Ibáñez et al. (2026)  
distinguir todas las enfermedades  
del oído medio, sino identificar con  
alta sensibilidad a quienes necesitan  
teléfonos  
inteligentes  
abre  
oportunidades concretas para tele-  
otoscopia y triage en atención  
primaria.  
referencia,  
evitar  
y
tratamientos  
mejorar la  
innecesarios  
No obstante, el principal desafío ya  
no es demostrar que una red  
neuronal puede aprender una base  
de imágenes, sino comprobar que  
mantiene su rendimiento frente a  
nuevos dispositivos, operadores,  
centros y poblaciones. La caída  
observada entre validación interna y  
externa constituye una señal clara  
contra la adopción acrítica de cifras  
de exactitud muy altas. En el estado  
actual, estos sistemas deben  
concebirse como herramientas de  
apoyo diagnóstico con supervisión  
profesional.  
documentación de la evolución. Para  
el otorrinolaringólogo, el valor  
añadido puede estar en la  
cuantificación objetiva de lesiones,  
comparación longitudinal y soporte  
en  
tareas  
repetitivas.  
la segmentación  
permite construir  
En  
investigación,  
automatizada  
fenotipos de imagen de gran escala  
que antes requerían anotación  
manual intensiva.  
6
. Conclusiones  
El deep learning ha demostrado una  
capacidad notable para analizar  
La siguiente etapa de maduración  
del campo dependerá de datos  
imágenes  
de  
la  
membrana  
timpánica, con rendimiento elevado  
en clasificación de otitis media,  
perforaciones y colesteatoma, así  
multicéntricos,  
referencia  
estándares de  
robustos, modelos  
calibrados y explicables, validación  
prospectiva evaluación de  
como  
en  
segmentación  
morfológica.  
y
y
cuantificación  
Los  
resultados clínicos reales. Bajo estas  
condiciones, la otoscopia asistida  
por inteligencia artificial podría  
convertirse en una extensión  
reproducible de la imagen otológica,  
capaz no solo de reconocer lesiones,  
sino también de cuantificarlas,  
seguirlas longitudinalmente y apoyar  
mejores estudios muestran que la  
tecnología puede igualar o superar a  
evaluadores humanos en tareas  
específicas y puede mejorar el  
desempeño de clínicos menos  
experimentados.  
Además,  
la  
combinación de otoscopia digital y  
9
52  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Deep learning para el diagnóstico automático de lesiones de la membrana timpánica mediante otoscopia digital: precisión  
diagnóstica, aplicaciones clínicas y desafíos de implementación.  
decisiones clínicas de manera  
segura.  
6. Habib AR, Wong E, Sacks R,  
Singh N. Artificial intelligence  
to detect tympanic membrane  
perforations. J Laryngol Otol.  
2
020;134:311-315.  
Bibliografía  
7
8
. Livingstone D, Chau J. Otoscopic  
diagnosis using computer  
vision: an automated machine  
1
. World Health Organization. World  
report on hearing. Geneva:  
WHO; 2021.  
learning  
approach.  
Laryngoscope.  
2
. Schilder AGM, Chonmaitree T,  
Cripps AW, Rosenfeld RM,  
Casselbrant ML, Haggard MP,  
et al. Otitis media. Nat Rev Dis  
2
020;130:1408-1413.  
. Cai Y, Yu JG, Chen Y, Liu C, Xiao  
L, Grais EM, et al.  
Investigating the use of a two-  
stage attention-aware  
Primers.  
2016;2:16063.  
doi:10.1038/nrdp.2016.63.  
convolutional neural network  
for the automated diagnosis of  
otitis media from tympanic  
3
4
5
. Lee JY, Choi SH, Chung JW.  
Automated classification of  
the tympanic membrane using  
membrane  
images:  
a
a
convolutional  
network. Appl  
019;9(9):1827.  
neural  
Sci.  
prediction model development  
and validation study. BMJ  
2
Open.  
doi:10.1136/bmjopen-2020-  
41139.  
2021;11:e041139.  
doi:10.3390/app9091827.  
0
. Cha D, Pae C, Seong SB, Choi JY,  
Park HJ. Automated diagnosis  
of ear disease using ensemble  
deep learning with a big  
9
. Pham VT, Tran TT, Wang PC,  
Chen PY, Lo MT. EAR-UNet:  
a
deep  
learning-based  
otoendoscopy  
database.  
image  
EBioMedicine.  
approach for segmentation of  
tympanic membranes from  
otoscopic images. Artif Intell  
2
019;45:606-614.  
Med.  
doi:10.1016/j.artmed.2021.10  
065.  
2021;115:102065.  
. Khan MA, Kwon S, Choo J, Hong  
SM, Kang SH, Park IH, et al.  
2
Automatic  
detection  
of  
tympanic membrane and  
middle ear infection from oto-  
1
0. Byun H, Yu S, Oh J, Bae J, Yoon  
MS, Lee SH, et al. An  
assistive role of a machine  
learning network in diagnosis  
of middle ear diseases. J Clin  
endoscopic  
convolutional  
networks.  
images  
via  
neural  
Netw.  
Neural  
2
020;126:384-394.  
doi:10.1016/j.neunet.2020.03.  
23.  
Med.  
2021;10(15):3198.  
doi:10.3390/jcm10153198.  
0
9
53  
Romero-Ibáñez et al. (2026)  
1
1. Tsutsumi K, Goshtasbi K, Risbud  
A, Khosravi P, Pang JC, Lin  
HW, et al. A web-based deep  
learning model for automated  
disorders using tympanic  
membrane images: a meta-  
analysis.  
Laryngoscope.  
2023;133(4):732-741.  
doi:10.1002/lary.30291.  
diagnosis  
images.  
of  
Otol  
otoscopic  
Neurotol.  
1
6. Habib AR, et al. Evaluating the  
2
021;42(9):e1382-e1388.  
doi:10.1097/MAO.000000000  
003210.  
generalizability  
of  
deep  
learning image classification  
algorithms to detect middle  
ear disease using otoscopy.  
0
1
2. Crowson MG, Hartnick CJ,  
Diercks GR, et al. Machine  
Sci  
Rep.  
2023;13.  
learning  
intraoperative pediatric middle  
ear effusion diagnosis.  
Pediatrics.  
021;147:e2020034546.  
for  
accurate  
doi:10.1038/s41598-023-  
31921-0.  
1
7. Tseng CC, Lim V, Jyung RW.  
Use of artificial intelligence for  
2
the  
cholesteatoma. Laryngoscope  
Investig Otolaryngol.  
diagnosis  
of  
1
3. Chen YC, Chu YC, Huang CY,  
Lee YT, Lee WY, Hsu CY, et  
al.  
Smartphone-based  
2023;8(1):201-211.  
artificial intelligence using a  
transfer learning algorithm for  
the detection and diagnosis of  
doi:10.1002/lio2.1008.  
1
8. Song D, Kim T, Lee Y, Kim J.  
Image-based  
intelligence technology for  
artificial  
middle ear diseases:  
retrospective deep learning  
study. eClinicalMedicine.  
022;51:101543.  
doi:10.1016/j.eclinm.2022.10  
543.  
a
diagnosing  
diseases:  
review.  
middle ear  
systematic  
Clin Med.  
a
2
J
2
023;12(18):5831.  
1
doi:10.3390/jcm12185831.  
1
4. Habib AR, Kajbafzadeh M,  
Hasan Z, Wong E,  
1
9. Nwosu O, Suresh K, Knoll R, Lee  
DJ, Crowson MG. A proof-of-  
Gunasekera H, Perry C, et al.  
Artificial intelligence to classify  
ear disease from otoscopy: a  
systematic review and meta-  
analysis. Clin Otolaryngol.  
concept  
approach for measurement of  
tympanic membrane  
perforations. Laryngoscope.  
024;134(6):2906-2911.  
computer  
vision  
2
2
022;47:401-413.  
doi:10.1002/lary.31270.  
doi:10.1111/coa.13925.  
2
0. Dubois C, Eigen D, Simon F,  
Couloigner V, Gormish M,  
1
5. Cao Z, Chen F, Grais EM, Yue F,  
Cai Y, Swanepoel DW, Zhao  
F. Machine learning in  
Chalumeau al.  
M,  
et  
Development and validation of  
diagnosing  
middle  
ear  
9
54  
Revista Científica Multidisciplinaria Arbitrada YACHASUN. Volumen 10, Número 19 (Ed. jul – dic. 2026) ISSN: 2697-3456  
Deep learning para el diagnóstico automático de lesiones de la membrana timpánica mediante otoscopia digital: precisión  
diagnóstica, aplicaciones clínicas y desafíos de implementación.  
a smartphone-based deep-  
learning-enabled system to  
detect middle-ear conditions  
in otoscopic images. NPJ Digit  
Artif  
Intell.  
2020;2(2):e200029.  
doi:10.1148/ryai.2020200029.  
Med.  
doi:10.1038/s41746-024-  
1159-9.  
2024;7:162.  
0
2
1. Guo Q, Xie L, Zhou L. Deep  
learning for otitis media  
classification using otoscopic  
image. Medicine (Baltimore).  
2
025;104(48):e46218.  
doi:10.1097/MD.0000000000  
46218.  
0
2
2. Liu TY, Chang HC, Wang PC,  
Hsu SY, Fang TY, Pham VT,  
et al. Deep learning-assisted  
prediction of air-bone gap  
using tympanic membrane  
perforation image features.  
Otolaryngol Head Neck Surg.  
2
026;174(2):403-412.  
doi:10.1002/ohn.70074.  
2
3. Liu TY, Chang HC, Wang PC,  
Hsu SY, Fang TY, Pham VT,  
et al. Deep learning-assisted  
prediction  
outcomes after anatomically  
successful type  
tympanoplasty. J Otolaryngol  
Head Neck Surg.  
026;55:1916021626145049  
of  
hearing  
I
2
1
.
doi:10.1177/1916021626145  
491.  
0
2
4. Mongan J, Moy L, Kahn CE Jr.  
Checklist  
Intelligence  
for  
in  
Artificial  
Medical  
Imaging (CLAIM): a guide for  
authors and reviewers. Radiol  
9
55