Método de apoyo para el diagnóstico en imágenes radiológicas de neumonía pediátrica mediante técnicas de inteligencia artificial

Abstract

Los modelos de IA en aprendizaje de imágenes médicas diagnosticas, se están convirtiendo en herramientas de apoyo al personal médico para garantizar un óptimo diagnóstico. Sin embargo, con una red neuronal clásica se crea una clasificación al poder abstraer patrones jerárquicamente la imagen medica original, estos patrones son características de la posición y orientación del objeto, y esta falta de información espacial limita la precisión de la clasificación de imágenes médicas radiológicas pediátricas. Por lo tanto, se plantea el desarrollo de una red neuronal que ayude al personal médico al diagnóstico de Neumonía pediátrica. Se propone una IA de aprendizaje profundo usando redes neuronales convolucionales para detectar y diagnosticar neumonía pediátrica, este método se utiliza a través de un filtro que se aplica a la imagen en escala de grises la cual permite extraer ciertas características y patrones, de dichas imágenes radiológicas para la detección de neumonía, usamos los parámetros del modelo aprendidos a través del Data set “Labeled Optical Coherence Tomography (OCT) and Chest X-Ray Images for Classification” en conjuntos de datos a gran escala, para inicializar el modelo se usó través del aprendizaje por transferencia. El método propuesto se ha evaluado para extraer características de textura asociadas con neumonía pediátrica. Los resultados experimentales del conjunto del Data set obtienen una precisión de 92%. Con este método se obtiene una herramienta para la clasificación de imágenes radiológicas y rendimiento que permite ayudar al personal médico a garantizar una óptima atención pediátrica en casos de neumonía. Además, de ser una herramienta útil de no contar con un especialista. Generando, una base para futuras investigaciones, manteniendo un modelo cíclico que dé lugar a la optimización del enfoque y así aplicarlo a la medicina.