Resumen

La enfermedad por coronavirus 2019 (COVID-19) es mortal y se propaga rápidamente. La detección y el diagnóstico precoces de la infección por COVID-19 evitarán su rápida propagación. Este estudio pretende detectar automáticamente COVID-19 mediante un conjunto de datos de tomografía computarizada (TC) de tórax. Se presentan los modelos estándar para la detección automática de COVID-19 mediante imágenes de TC torácicas sin procesar. Este estudio utiliza arquitecturas de red neuronal convolucional (CNN), red Zeiler y Fergus (ZFNet) y red convolucional densa-121 (DenseNet121) de modelos de red neuronal convolucional profunda. Los modelos propuestos se presentan para proporcionar un diagnóstico preciso para la 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 de TC de tórax no COVID-19).  Los algoritmos se codificaron utilizando el lenguaje de programación Python. Las métricas de rendimiento utilizadas fueron exactitud, precisión, recuperación, puntuación F1 y ROC-AUC.  Se presentan análisis comparativos entre los tres modelos considerando factores hiperparamétricos para encontrar el mejor modelo. El modelo CNN obtuvo el mejor rendimiento, con una exactitud del 94,7%, una recuperación del 90%, una precisión del 100% y una puntuación F1 del 94,7%. Como resultado, el algoritmo CNN es más exacto y preciso que los modelos ZFNet y DenseNet121. Este estudio puede presentar un segundo punto de vista al personal médico.

INTRODUCCIÓN

Se han utilizado técnicas de aprendizaje automático (ML) en imágenes médicas y diagnóstico de enfermedades infecciosas ( Lundervold y Lundervold, 2019 ; Chen et al., 2016 ; Ardabili et al., 2020 ). La enfermedad por coronavirus 2019 (COVID-19), que comenzó a propagarse desde Wuhan (China), a finales de diciembre de 2019 ( Zhu et al., 2020 ; Huang et al., 2020 ), ha afectado a todo el mundo. Según los datos actualizados, ha habido más de 134 957 021 casos confirmados y 2 918 752 muertes confirmadas a causa de COVID-19 en 223 países al 11 de abril de 2021 (OMS, 2021). Los coronavirus (CoV) están relacionados con virus zoonóticos que pueden causar enfermedades en especies de mamíferos o aves ( Tezer y Bedir Demirdag, 2020 ). Hay varios enfoques médicos disponibles para diagnosticar y detectar COVID-19 en pacientes, como los kits de prueba de reacción en cadena de la polimerasa de transcripción (RT-PCR) ( Ai et al., 2020 ) y las imágenes de tomografía computarizada (TC) de tórax. Las tomografías computarizadas de tórax han desempeñado un papel vital en el diagnóstico durante esta pandemia ( Akcay et al., 2020 ; Bao et al., 2020 ; Chung et al., 2020 ; Lei et al., 2020). La detección temprana, el diagnóstico, el aislamiento y el tratamiento son fundamentales para prevenir una mayor propagación de la enfermedad ( Guner et al., 2020 ). En algunos casos, las reacciones en cadena de la polimerasa en tiempo real pueden brindar información incorrecta o inadecuada ( Ai et al., 2020 ). Es fundamental desarrollar métodos de detección rentables y precisos de los que todos los países puedan beneficiarse.

• Materias:Red neuronal convolucional Pandemia Coronavirus
• Subjects:Convolutional neural network pandemic Coronavirus
• Palabras claves:COVID-19; Deep Learning; Red Neuronal Convolucional; Red Zeiler y Fergus; Red Convolucional Densa-121
• Keywords:COVID-19; Deep Learning; Convolutional Neural Network; Zeiler and Fergus Network; Dense Convolutional Network-121