Implementación de un modelo de red neuronal convolucional para mejorar la clasificación del diagnóstico de COVID 19 en imágenes de rayos X

Abstract

El aprendizaje profundo como subconjunto del machine learning, donde la redes neuronales inspiradas en el funcionamiento del cerebro humano, emulando su funcionamiento para obtener ciertos conocimientos con la capacidad de aprender por sí mismo y efectuar tareas previa a una fase de entrenamiento, es por esta razón esta investigación cumple como objetivo principal implementar una red neuronal convolucional (CNN) con el objetivo de mejorar la clasificación del diagnóstico COVID 19 en imágenes de rayos X, de esta forma ayudar a los especialistas en salud. En el desarrollo del planteamiento del problema se revisó investigaciones previas para comprender las consecuencias y dificultades del sector salud para combatir a esta infección, Asimismo, se hizo investigaciones en soluciones tecnológicas basadas en aprendizaje profundo, para brindar un apoyo a este sector, que si son correctamente entrenadas brindarían una mayor precisión de clasificación del COVID 19 en imágenes de rayos X. En el estudio de los antecedentes se consultaron a diversos repositorios científicos especializados que plantean como una alternativa efectiva para apoyar a especialistas en salud la implementación de redes neuronales como una herramienta tecnológica para brindar correctamente predicciones bajo un alto índice de precisión al clasificar la infección COVID 19 en imágenes de rayos X. El modelo establecido se basa en una clasificación binaria utilizando 1 en caso de mostrar una infección positiva y 0 para una infección negativa, por otro lado, se utilizó diversas arquitecturas de redes neuronales [para] así apoyar la clasificación del diagnóstico del COVID 19 en imágenes de rayos X, para obtener una mejor exactitud en el momento de la clasificación. Finalmente, se realiza la comparación de los resultados obtenidos por las métricas propuestas que ayudaran a encontrar la mejor precisión de clasificación.