Look-up in Google Scholar
Title: Las Redes Neuronales Convolucionales y la mejora en el diagnóstico de Neumonía – área de Radiología
Advisor(s): Saito Silva, Carlos Agustín
OCDE field: https://purl.org/pe-repo/ocde/ford#1.02.00
Issue Date: 2022
Institution: Universidad Ricardo Palma
Abstract: La neumonía es la infección que produce un mayor número de ingresos hospitalarios, siendo responsable del 15% de todas las defunciones de menores de 5 años a nivel mundial (UNICEF, 2019). Es una enfermedad compleja de diagnosticar debido a que puede ser causado por diferentes agentes infecciosos. De contraer neumonía, el tipo tratamiento seleccionado dependerá de la diagnosis, y por lo tanto la precisión del diagnóstico es de alta criticidad. Además, actualmente la muerte en niños con neumonía puede ocurrir en tan solo 2 días después del inicio de la enfermedad, eso hace que la velocidad de la detección sea también altamente importante para poder salvar vidas. Un diagnóstico de neumonía típicamente requiere de la revisión de placas radiográficas torácicas. El radiólogo o médico, basado en su experiencia, visualmente trata de localizar anormalidades en las imágenes. Algunos centros de salud han implementado un sistema que automatiza este proceso, pero obteniendo variables resultados de precisión. En esta investigación después de hacer un análisis exhaustivo se ha automatizado el proceso de diagnóstico mediante la implementación de un sistema basado en Inteligencia Artificial. Este sistema tiene tres motores cognitivos basados tres algoritmos del estado del arte de redes neuronales convolucionales para obtener una mayor precisión y a su vez reducir el tiempo de diagnóstico de neumonía. Este sistema además fue desplegado a través de una aplicación web que permite visualizar (en el caso de múltiples pacientes) los porcentajes de probabilidad de padecer neumonía por cada imagen, esta información adicional permite al médico en tomar la más apropiada decisión en el tratamiento de los pacientes. Como resultado se logró disminuir el número de diagnosis incorrectas en un 80% utilizando el mejor algoritmo basado en la arquitectura de redes neuronales Alexnet, y se logró reducir los tiempos de espera de los pacientes en un 32%.
Discipline: Maestría en Ingeniería Informática con mención en Ingeniería de Software
Grade or title grantor: Universidad Ricardo Palma. Escuela de Posgrado
Grade or title: Maestro en Ingeniería Informática con mención en Ingeniería de Software
Juror: Wong Portillo, Lenis Rossi; Janjachi Toribio, Carlos Alberto; Jara Villavicencio, Octavio V.; Suarez Avelino, Olga
Register date: 20-Jun-2022; 20-Jun-2022



This item is licensed under a Creative Commons License Creative Commons