La detección de la enfermedad de neumonía utilizando radiografías de tórax y aprendizaje automático
Autores: Usman, Cathryn; Rehman, Saeed Ur; Ali, Anwar; Khan, Adil Mehmood; Ahmad, Baseer
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
2025
La detección de la enfermedad de neumonía utilizando radiografías de tórax y aprendizaje automáticoCategoría
Ingeniería y Tecnología
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 20
Citaciones: Sin citaciones
La neumonía es una enfermedad mortal que afecta a millones de personas en todo el mundo, causada por microorganismos y factores ambientales. Conduce a la acumulación de líquido en los pulmones, dificultando la respiración, y es una de las principales causas de muerte. La detección temprana y el tratamiento son cruciales para prevenir resultados graves. Los rayos X de tórax son comúnmente utilizados para diagnósticos debido a su accesibilidad y bajos costos; sin embargo, la detección de neumonía a través de rayos X es desafiante. Se necesitan métodos automatizados, y el aprendizaje automático puede resolver problemas complejos de visión por computadora en imágenes médicas. Esta investigación desarrolla un modelo robusto de aprendizaje automático para la detección temprana de neumonía utilizando rayos X de tórax, aprovechando técnicas avanzadas de procesamiento de imágenes y algoritmos de aprendizaje profundo que identifican con precisión patrones de neumonía, permitiendo un diagnóstico y tratamiento rápidos. La investigación desarrolla un modelo de CNN desde cero y un modelo preentrenado ResNet-50. Este estudio utiliza el conjunto de datos original del desafío de detección de neumonía de RSNA que comprende 26,684 imágenes de matrices de tórax recopiladas de pacientes únicos (56% hombres, 44% mujeres) para construir un modelo de aprendizaje automático para la detección temprana de neumonía. Los datos se componen de neumonía (31.6%) y no neumonía (68.8%), proporcionando una base efectiva para el entrenamiento y la evaluación del modelo. Se utilizó un tamaño reducido del conjunto de datos para examinar el impacto del tamaño de los datos y ambas versiones se probaron con y sin el uso de aumento. Los modelos se compararon con trabajos existentes, la efectividad del modelo en la detección de neumonía se comparó entre sí, y se examinó el impacto del aumento y el tamaño del conjunto de datos en el rendimiento de los modelos. La mejor precisión general alcanzada fue la del modelo de CNN desde cero, sin aumento, con una precisión de 0.79, una precisión de 0.76, una recuperación de 0.73 y una puntuación F1 de 0.74. Sin embargo, se descubrió que el modelo preentrenado, con una precisión general más baja, era más generalizable.
Descripción
La neumonía es una enfermedad mortal que afecta a millones de personas en todo el mundo, causada por microorganismos y factores ambientales. Conduce a la acumulación de líquido en los pulmones, dificultando la respiración, y es una de las principales causas de muerte. La detección temprana y el tratamiento son cruciales para prevenir resultados graves. Los rayos X de tórax son comúnmente utilizados para diagnósticos debido a su accesibilidad y bajos costos; sin embargo, la detección de neumonía a través de rayos X es desafiante. Se necesitan métodos automatizados, y el aprendizaje automático puede resolver problemas complejos de visión por computadora en imágenes médicas. Esta investigación desarrolla un modelo robusto de aprendizaje automático para la detección temprana de neumonía utilizando rayos X de tórax, aprovechando técnicas avanzadas de procesamiento de imágenes y algoritmos de aprendizaje profundo que identifican con precisión patrones de neumonía, permitiendo un diagnóstico y tratamiento rápidos. La investigación desarrolla un modelo de CNN desde cero y un modelo preentrenado ResNet-50. Este estudio utiliza el conjunto de datos original del desafío de detección de neumonía de RSNA que comprende 26,684 imágenes de matrices de tórax recopiladas de pacientes únicos (56% hombres, 44% mujeres) para construir un modelo de aprendizaje automático para la detección temprana de neumonía. Los datos se componen de neumonía (31.6%) y no neumonía (68.8%), proporcionando una base efectiva para el entrenamiento y la evaluación del modelo. Se utilizó un tamaño reducido del conjunto de datos para examinar el impacto del tamaño de los datos y ambas versiones se probaron con y sin el uso de aumento. Los modelos se compararon con trabajos existentes, la efectividad del modelo en la detección de neumonía se comparó entre sí, y se examinó el impacto del aumento y el tamaño del conjunto de datos en el rendimiento de los modelos. La mejor precisión general alcanzada fue la del modelo de CNN desde cero, sin aumento, con una precisión de 0.79, una precisión de 0.76, una recuperación de 0.73 y una puntuación F1 de 0.74. Sin embargo, se descubrió que el modelo preentrenado, con una precisión general más baja, era más generalizable.