Resumen

CATAL REIS, Hatice. Diagnóstico de COVID-19 con Deep Learning. Ing. Investig. [online]. 2022, vol.42, n.1, e110.  Epub 22-Oct-2021. ISSN 0120-5609.  https://doi.org/10.15446/ing.investig.v42n1.88825.

La enfermedad del coronavirus 2019 (COVID-19) es fatal y se está propagando rápidamente. La detección y el diagnóstico tempranos de la infección por COVID-19 evitarán la propagación rápida. Este estudio tiene como objetivo detectar COVID-19 automáticamente a partir del conjunto de datos de tomografía computarizada de tórax (TC). Se presentan los modelos estándar para la detección automática de COVID-19 utilizando imágenes de TC de tórax sin procesar. El estudio consta de arquitecturas de red neuronal convolucional (CNN), red Zeiler y Fergus (ZFNet) y red convolucional densa-121 (DenseNet121) de modelos de redes neuronales convolucionales profundas. Los modelos propuestos se presentan para proporcionar diagnósticos precisos para clasificación binaria. Los conjuntos de datos se obtuvieron de una base de datos pública. Este estudio retrospectivo incluyó 757 imágenes de TC de tórax (360 imágenes de TC de tórax COVID-19 confirmadas y 397 imágenes no COVID-19). Los algoritmos se codificaron utilizando el lenguaje de programación Python. Los parámetros de desempeño que se utilizaron fueron exactitud, precisión, recuperación, puntaje-F1 y ROC-AUC. Se presentan análisis comparativos entre los tres modelos considerando factores de hiperparámetros para encontrar el mejor modelo. Obtuvimos el mejor rendimiento, con exactitud del 94,7%, recuperación del 90%, precisión del 100% y puntuación-F1 del 94,7% del modelo de CNN. Como resultado, el algoritmo de CNN es más exacto y preciso que los modelos ZFNet y DenseNet121. Este estudio puede presentar un segundo punto de vista al personal médico.

Palabras clave : COVID-19; deep learning; red neuronal convolucional; red Zeiler y Fergus; red convolucional densa-121.

        · resumen en Inglés     · texto en Inglés     · Inglés ( pdf )