MODELOS DEEP LEARNING PARA

DIAGNÓSTICO DE COVID-19 CON

TOMOGRAFÍAS COMPUTARIZADAS

RESUMEN

Las estadísticas de covid-19 reflejaron una gran preocupación a nivel mundial y sobre todo en el Perú.

médicas, por lo que es importante aprovechar estas aplicaciones para ayudar a las instituciones de salud

en el Perú y de esta manera facilitar su trabajo. En la investigación se usaron tomografías

computarizadas para diagnosticar el Covid-19 recogidos de la plataforma de datos abiertos de kaggle

obteniéndose que el modelo de Deep Learning más adecuado para el diagnóstico de Covid-19 con

tomografías computarizadas del tórax de kaggle fue el modelo de Convolutional Neural Network

GoogleNet, el cual obtuvo un accuracy superior al 90%.

Palabras clave: covid-19, aprendizaje profundo, red neuronal convolucional, googlenet, precisión

ABSTRACT

The covid-19 statistics reflected great concern worldwide and especially in Peru. Since March 2020,

the outbreak of the coronavirus disease began to cause deaths in Peru in the face of a health system that

was poorly prepared for this type of situation; this was reflected in the limitation of ICU beds that were

available. Therefore, the object of this research was to use Deep Learning models for the diagnosis of

Covid-19 using Kaggle computed tomography scans. At an international level, various investigations

have been developed using Deep Learning to identify people who have Covid-19 through the use of

medical images, so it is important to take advantage of these applications to help health institutions in

Peru and This way make your work easier. In the research, CT scans were used to diagnose Covid-19

Artículo recibido 20 marzo 2024

Aceptado para publicación: 25 abril 2024

INTRODUCCIÓN

Desde marzo del 2020, las estadísticas de covid-19 en el Perú empezaron a mostrar muertes en el Perú

frente a un sistema de salud poco preparado y la limitación de camas UCI. Jesús Valverde, quién es

de esta manera facilitar su trabajo.

Por otro lado, la escasez de tener un modelo para detectar de manera fiable el covid-19 a partir del uso

de tomografías computarizadas del tórax hace que sea de importancia la realización de este tipo de

estudios. Esto puede ayudar a los radiólogos a aumentar la precisión de su diagnóstico, expertos en

cuidados intensivos, expertos en cuidados pulmonares y aumentar la eficiencia en la gestión del covid-

19.

Bhattacharya et.al. (2021), mencionaron que las técnicas de Deep Learning aplicadas al procesamiento

de imágenes han ganado un gran impulso en la salud. Apostolopoulos y Mpesiana (2020), haciendo uso

de un conjunto de datos de imágenes de rayos X de GitHub, Cohen, Radiology Society of North

America (RSNA), y la Sociedad Italiana de Radiología Médica e Intervencionista (SIRM) se asociaron

DenseNet, GoogleNet, NASNet-Mobile, ResNet18 y DarkNet. Al hacer uso de imágenes de rayos X,

obtuvieron un AUC del 97% y al combinar los rayos X con las imágenes computarizadas del tórax el

modelo de DarkNet alcanzó un accuracy del 99.09% con un AUC de 99.89%.

Minaee et.al. (2020), aplicaron modelos de Deep Learning para detectar pacientes con Covid-19 a partir

de sus imágenes de radiografía de tórax haciendo uso de 5000 radiografías de tórax, quienes entrenaron

Akter et.al. (2021), haciendo uso de un conjunto de datos de 3616 imágenes de rayos X del tórax con

Covid-19 y 10192 sin Covid-19, emplearon once modelos de Deep Learning y entrenaron diferentes

arquitecturas de Convolutional Neural Networks, obteniendo un mayor accuracy con un valor del 98%

en la identificación de pacientes con Covid-19.

Siendo el objetivo de la investigación hacer uso de modelos de Deep Learning para diagnóstico de

Covid-19 haciendo uso de tomografías computarizadas de Kaggle la hipótesis planteada fue que el

modelo de Deep Learning GoogleNet para la identificación de pacientes con Covid-19 haciendo uso de

tomografías computarizadas de kaggle, tiene una precisión superior al 90%.

METODOLOGÍA

En la investigación se analizaron las tomografías computarizadas del tórax, los cuales ayudaron a

▪ X: Es la imagen de la tomografía computarizada del tórax, la cual es representada mediante una

matriz de pixeles.

Figura 1: Imágenes de rayos X de tórax de personas sin y con Covid-19

Método y diseño de investigación

La investigación fue del tipo cuantitativa, pues fue necesaria información numérica para poder proceder

el análisis estadístico. El diseño de la investigación fue no experimental, transversal, descriptivo y

retrospectivo.

Población y muestra

La población son las tomografías computarizadas como parte de las pruebas para diagnosticar el Covid-

Modelos de Deep Learning

Voulodimos et.al. (2017), se menciona que Deep Learning permite modelos computacionales de

múltiples capas de procesamiento para aprender y representar datos con múltiples niveles de abstracción

que imitan cómo el cerebro percibe y comprende información multimodal, capturando implícitamente

estructuras de datos a gran escala. Esto va muy de la mano con el empoderamiento de la computación

GPU paralela, lo cual permitió la migración del entrenamiento de CPU a GPU. Deep Learning ha

avanzado en diferentes aplicaciones, por ejemplo, la detección de objetos, seguimiento de movimientos,

reconocimiento de acciones y segmentación semántica. Uno de los tipos de modelos más usados en

Deep Learning son los modelos de Convolutional Neural Networks.

Arquitectura de Convolutional Neural Networks

En Voulodimos et.al. (2017), presenta que la arquitectura de Convolutional Neural Networks emplea

tres ideas concretas: campos receptivos locales, pesos vinculados y submuestreo espacial. Basado en el

campo receptivo local, cada unidad en la capa convolucional recibe entradas de un conjunto de unidades

vecinas pertenecientes a la capa anterior. De esta manera, las neuronas son capaces de extraer

características visuales elementales como bordes o esquinas. Luego, estas características se combinan

mediante las siguientes capas convolucionales para detectar un orden superior de características. Las

unidades de una capa convolucional se organizan en planos, por lo que cada plano es responsable para

construir una característica específica. Las salidas de los planos se denominan mapas de características.

Cada convolución consta de varios planos, de modo que pueden construirse en cada lugar.

En la figura 2, se muestra una arquitectura de Convolutional Neural Networks para la detección de

Figura 2: Arquitectura de Convolutional Neural Networks para la detección de objetos

Modelo de GoogleNet

En Szegedy et.al. (2015), se menciona que una red neuronal convolucional fue desarrollada por los

ingenieros de Google permitiendo un ahorro computacional. Este tipo de red neuronal profunda

incepción. Estos tres bloques vienen separados entre sí a través de una capa de max-pooling, tal y

como se muestra en la imagen.

▪ La tecera sección y última capa d e incepción presenta 1.024 mapas/canales de dimensiones 7×7,

además que en todas las capas de convolución, las neuronas son unidades ReLU.

Figura 3: Arquitectura del modelo GoogleNet

Por el contrario, la capacidad de que nuestro modelo no estime el suceso de interés cuyo valor es 0, se

denomina especificidad. Para la presente investigación se usará la sensibilidad como medida de

precisión del modelo de Deep Learning.

Cuadro 1: Tabla de Clasificación

La sensibilidad, especificidad y accuracy, se calcula de la siguiente manera:

▪ Sensibilidad = a/(a+b), indica la capacidad que tiene un modelo para clasificar correctamente la

categoría de interés de la variable dependiente.

▪ Especificidad = d/(c+d), indica la capacidad que tiene un modelo para clasificar correctamente la

categoría que no es de interés de la variable dependiente.

▪ Accuracy = (a+d)/(a+b+c+d), indica la precisión o capacidad que tiene un modelo para clasificar

correctamente de manera global la variable dependiente. El modelo que presente mayor accuracy