Resumen

En los últimos años, el diagnóstico asistido por ordenador (DAO) ha experimentado un rápido crecimiento. Se han desarrollado numerosos algoritmos de aprendizaje automático para identificar distintas enfermedades, por ejemplo, la leucemia. La leucemia es una enfermedad relacionada con los glóbulos blancos (GB) que afecta a la médula ósea y/o a la sangre. Un diagnóstico rápido, seguro y preciso de la leucemia en una fase temprana desempeña un papel fundamental para curar y salvar la vida de los pacientes. Según la evolución, la leucemia se divide en dos formas principales: aguda y crónica. Cada forma puede subcategorizarse como mieloide y linfoide. Existen, por tanto, cuatro subtipos de leucemia. Se han desarrollado varios enfoques para identificar la leucemia con respecto a sus subtipos. Sin embargo, en términos de eficacia, proceso de aprendizaje y rendimiento, estos métodos requieren mejoras. Este estudio proporciona un marco basado en Internet de las Cosas Médicas (IoMT) para mejorar y proporcionar una identificación rápida y segura de la leucemia. En el sistema IoMT propuesto, con la ayuda de la computación en nube, los gadgets clínicos están vinculados a recursos de red. El sistema permite la coordinación en tiempo real de las pruebas, el diagnóstico y el tratamiento de la leucemia entre pacientes y profesionales sanitarios, lo que puede ahorrar tiempo y esfuerzo a pacientes y médicos. Además, el marco presentado también es útil para resolver los problemas de los pacientes en estado crítico en pandemias como la de COVID-19. Los métodos utilizados para la identificación de subtipos de leucemia en el marco propuesto son la red neuronal convolucional densa (DenseNet-121) y la red neuronal convolucional residual (ResNet-34). En este estudio se utilizan dos conjuntos de datos públicos sobre leucemia: ALL-IDB y el banco de imágenes ASH. Los resultados demuestran que los modelos propuestos superan a otros conocidos algoritmos de aprendizaje automático utilizados para la identificación de subtipos sanos frente a leucémicos.

• Materias:Inteligencia artificial Big Data Registros médicos electrónicos Acelerómetros Antecedentes teóricos
• Subjects:Artificial intelligence Big Data Electronic medical records Accelerometers Theoretical background
• Palabras claves:leucemia, pacientes, marco, subtipos de leucemia, red neuronal convolucional densa, red neuronal convolucional residual, banco de imágenes ASH, últimos años, algoritmos, diagnóstico
• Keywords:leukemia, patients, framework, leukemia subtypes, Dense Convolutional Neural Network, Residual Convolutional Neural Network, ASH image bank, last few years, algorithms, diagnosis