bachelorThesis
Técnicas de machine learning basadas en aprendizaje supervisado para la predicción de Enfermedades respiratorias y/o pulmonares ocasionadas y derivadas por el Covid19
Fecha
2023-03Autor
Lopez Tumbaco, Olga Patricia
Terranova Pihuave, James Bryan
Institución
Resumen
El virus SARS-COV-2, responsable de la enfermedad COVID-19, y a su vez responsable de afectaciones pulmonares presenta una variedad de síntomas en los pacientes, lo que dificulta su diagnóstico en muchos casos.
La detección de enfermedades pulmonares se realiza comúnmente mediante radiografías de tórax, ya que permiten validar la presencia del virus en los pacientes y visualizar la gravedad del daño en los pulmones, pero este proceso puede llegar a ser un poco lento. Por lo tanto, es importante desarrollar un sistema de detección automática para la predicción y detección de enfermedades pulmonares post Covid-19. Gracias a los avances en técnicas de aprendizaje supervisado, machine learning y técnicas de Deep Learning, particularmente el uso de redes neuronales convolucionales, pueden ayudar a identificar patrones en las imágenes radiográficas de tórax. En esta investigación se construyeron dos modelos de redes neuronales entrenados con datasets obtenidos de repositorios públicos de Kaggle, para clasificar imágenes de tórax en cuatro categorías posibles. Se compararon los rendimientos de los modelos entrenados en colab, la evaluación de los modelos demostró valores superiores al 85% en todas las métricas utilizadas, y los resultados mostraron que los modelos son capaces de capturar características efectivamente relacionadas con los diagnósticos de los pacientes. En conclusión, los modelos de aprendizaje supervisado y automático representan una herramienta útil en la predicción, detección y diagnóstico de enfermedades, abriendo la posibilidad de su aplicación en otras áreas de la medicina. The SARS-COV-2 virus, responsible for Covid-19 disease and the cause of lung affection, is characterized by varied symptoms. This condition makes it difficult to diagnose in some cases.
The lung disease detection process is commonly done through chest X-rays, as they allow for validate virus presence in patients and visualize the severity of damage in the lungs, even though this process can be a bit slow. Therefore, there is a need to develop an automatic detection system for the prediction and detection of post-Covid-19 lung diseases.
Due to the advances in supervised learning techniques, machine learning, and Deep learning techniques, convolutional neural networks can help identify patterns in chest X-ray images.
In this research, the team constructed two neural network models trained with databases obtained from public Kaggle repositories to classify chest images into four possible categories. They also compared the performances of the models trained with COLAB. The evaluation of the models demonstrated values greater than 85% in all the metrics used, and the results showed that the models manage capture characteristics effectively related to the patient's diagnoses. In conclusion, supervised and machine learning models represent profitable tools in disease prediction, detection, and diagnosis, so it opens the possibility of their application in other areas of medicine.