Buscar en Google Scholar
Título: Análisis comparativo de algoritmos de machine learning para clasificar enfermedades pulmonares, haciendo uso de imágenes radiográficas
Asesor(es): Forero Vargas, Manuel Guillermo
Campo OCDE: https://purl.org/pe-repo/ocde/ford#2.02.04
Fecha de publicación: 2024
Institución: Universidad Señor de Sipán
Resumen: Las enfermedades pulmonares como el SARS-COV-2 y la neumonía plantean desafíos críticos para la salud pulmonar, requiriendo una identificación temprana para mejorar el diagnóstico y la atención médica. La presente investigación tiene como objetivo comparar algoritmos de aprendizaje automático en la clasificación de enfermedades pulmonares mediante imágenes radiográficas. Se recopilaron 23,000 imágenes de repositorios públicos distribuidas en conjuntos de entrenamiento y prueba. La evaluación de modelos, incluyendo ResNet50, CNN-LUNG, Regresión Logística, KNN y Árbol de Decisión, reveló una destacada precisión del 97.91%, 97.99%, 91.81%, 91.46% y 86.44% respectivamente. La implementación en Google Colab con Python y Visual Studio Code, utilizando técnicas de aumento de datos, mejoró la generalización. Los resultados, evaluados con métricas como precisión, exactitud, recall y F1-Score, subrayan el rendimiento superior de ResNet50 y CNNLUNG. Además, se destacó la eficacia de la CNN-LUNG en la identificación de casos de SARS-COV-2 y la necesidad de herramientas interactivas para la interpretación de resultados en entornos clínicos. Estos hallazgos ofrecen perspectivas esenciales para el desarrollo de herramientas diagnósticas y resaltan la eficacia sobresaliente de ResNet50 y CNN-LUNG en este contexto.
Disciplina académico-profesional: Ingeniería de Sistemas
Institución que otorga el grado o título: Universidad Señor de Sipán. Facultad de Ingeniería, Arquitectura y Urbanismo
Grado o título: Ingeniero de Sistemas
Jurado: Mejia Cabrera, Heber Ivan; Guevara Alburqueque, Laurita Belén; Arcila Diaz, Juan Carlos
Fecha de registro: 26-nov-2024



Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons Creative Commons