Sistema web basado en RNC para detectar secuelas respiratorias en pacientes de COVID-19 a través de imágenes de placas de pulmón de un hospital

Abstract

El propósito de la investigación fue el desarrollo de un sistema web basado en Redes Neuronales Convolucionales (RNC) para la detección de secuelas respiratorias en pacientes de COVID-19 mediante imágenes de placas de pulmón. Esta investigación es de tipo aplicada debido a que propone una solución tecnológica para apoyar el diagnóstico médico en respuesta a la problemática identificada. Este proyecto se realizó en el hospital Santa María de Cutervo-, donde se ha observado un aumento en los casos de secuelas respiratorias entre los sobrevivientes del virus. Actualmente, el diagnóstico se basa en la interpretación manual de imágenes, lo que puede ser impreciso y requerir tiempo. Con el fin de mejorar este proceso, se implementó un modelo de aprendizaje profundo donde se analiza imágenes de placas de pulmón para identificar patrones indicativos de secuelas como fibrosis pulmonar. La metodología implementada en esta investigación fue CRIS-DM, la cual incluyó la recolección de un conjunto de datos de 288 imágenes para las etapas de entrenamiento y pruebas, seguido por el entrenamiento del modelo RNC utilizando técnicas avanzadas como el algoritmo de BackPropagation, optimizador Adam y una función de pérdida categorical_crossentropy. Los resultados preliminares demostraron que el sistema logró una precisión del 92.3%, lo que podría transformar la práctica clínica al proporcionar diagnósticos más exactos con un 95.2% de exactitud. Además, la solución tiene el potencial de optimizar el proceso de atención médica y reducir costos asociados al diagnóstico de estas secuelas,

The objective of the research was to develop a web system using Convolutional Neural Networks (CNN) for the detection of respiratory sequelae in COVID-19 patients using lung imaging. This research is applied because it proposes a technological solution to support medical diagnosis in response to the identified problem. This project was carried out at the Santa María Hospital in Cutervo, where an increase in cases of respiratory sequelae has been observed among survivors of the virus. Currently, diagnosis is based on manual interpretation of images, which can be inaccurate and time-consuming. To improve this process, a deep learning model was implemented that analyzes images of lung plaques to identify patterns indicative of sequelae such as pulmonary fibrosis. The methodology implemented in this project was CRIS-DM, which included the collection of a dataset of 288 images for the training and testing phases, followed by the training of the RNC model using advanced techniques such as the BackPropagation algorithm, the Adam optimizer, and a categorical_crossentropy loss function. Preliminary results showed that the system achieved 92.3% accuracy, which could transform clinical practice by providing more accurate diagnoses with 95.2% accuracy. In addition, the solution has the potential to optimize the healthcare process and reduce the costs associated with diagnosing these sequelae.