CovNet-UFCSPA: ayudando en el diagnóstico de neumonía por coronavirus
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1377Palabras clave:
COVID-19, Aprendizaje Profundo, CNNResumen
Objetivo: Este estudio presenta la arquitectura CovNet-UFCSPA, que incorpora datos de preprocesamiento de imágenes clínicas (radiografías) y algoritmos de aprendizaje profundo. Método: Se utilizaron un total de 24,235 imágenes para el entrenamiento, validación y prueba del modelo, identificando áreas en las radiografías que influyen en la decisión del modelo. Resultado: La arquitectura alcanzó un recall del 99% en la clasificación de radiografías de pacientes del Hospital de Clínicas de Porto Alegre (HCPA). La aplicación de la técnica CLAHE mejoró la región de interés en las radiografías, reduciendo la tasa de falsos negativos de 187 a 9. Conclusión: En comparación con las arquitecturas Resnet50 V2 e Inception V3, CovNet-UFCSPA demostró superioridad en las tasas de falsos negativos, verdaderos positivos y recall.
Citas
Gong J, Dong H, Xia SQ, Huang YZ, Wang D, Zhao Y, Liu W, Tu S, Zhang M, Wang Q, et al. Correlation analysis between disease severity and inflammation-related parameters in patients with COVID-19 pneumonia. MedRxiv. 2020.
Udugama B, Kadhiresan P, Kozlowski HN, Malekjahani A, Osborne M, Li VYC, Chen H, Mubareka S, Gubbay JB, Chan WCW. Diagnosing COVID-19: the disease and tools for detection. ACS Nano. 2020;14(4):3822-3835.
DATASUS. Equipments of Imaging Used in Health - E - DATASUS. DATASUS. Available at: http://tabnet.datasus.gov.br/tabdata/LivroIDB/2edrev/e18.pdf
Chassagnon G, Vakalopoulou M, Paragios N, Revel MP. Artificial intelligence applications for thoracic imaging. Eur J Radiol. 2020;123:108774.
Nahid AA, Sikder N, Bairagi AK, Razzaque M, Masud M, Kouzani AZ, Mahmud MA, et al. A novel method to identify pneumonia through analyzing chest radiographs employing a multichannel convolutional neural network. Sensors. 2020;20(12):3482.
Rajaraman S, Antani S. Training deep learning algorithms with weakly labeled pneumonia chest X-ray data for COVID-19 detection. medRxiv. 2020.
Ozturk T, Talo M, Yildirim EA, Baloglu UB, Yildirim O, Acharya UR. Automated detection of COVID-19 cases using deep neural networks with X-ray images. Comput Biol Med. 2020;121:103792.
Mittal A, Singh K, Misra DP. Detecting COVID-19 using ResNet deep learning model with X-ray images. Biocybernetics and Biomedical Engineering. 2020.
Takara, K., Nishiyama, Y., & Sone, S. (2022). Artificial Intelligence System for Chest X-ray Diagnosis of COVID-19: Development and Validation Study. Journal of Medical Internet Research, 24(1), e30527.
Nouara Cândida Xavier, Tathiane Alves Pianoschi Alva, Carla Diniz Lopes Becker. Ciências da Saúde: uma abordagem holística. Editora Conhecimento Livre; 2022. Cap 5.
Gonzalez, Rafael C., and Richard E. Woods. Processamento de imagens digitais. Editora Blucher, 2000.
Chollet F. Deep learning with Python. Simon and Schuster; 2021.
Yamashita R, Nishio M, Do RK, Togashi K. Convolutional neural networks: an overview and application in radiology. Insights into Imaging. 2018;9(4):611-629.
O'Shea K, Nash R. An introduction to convolutional neural networks. arXiv preprint arXiv:1511.08458. 2015.
Albawi S, Mohammed TA, Al-Zawi S. Understanding of a convolutional neural network. In: 2017 International Conference on Engineering and Technology (ICET). IEEE; 2017. pp. 1-6.
scikit. Sklearn.utils.class_weight.compute_class_weight. [Online]. Available in: https://scikit-learn.org/stable/modules/generated/sklearn.utils.class_weight.compute_class_weight.html. Access at: 2024.
Cross-validation: evaluating estimator performance. [Online]. Available in: https://scikit-learn.org/stable/modules/cross_validation.html. Access at: 2024
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
