Resumen

La neumonía es una enfermedad mortal responsable de casi una de cada cinco muertes infantiles en el mundo. Muchos países en desarrollo tienen altas tasas de mortalidad por neumonía debido a la falta de medidas de diagnóstico adecuadas y oportunas. El uso de métodos de diagnóstico basados en el aprendizaje automático puede ayudar a detectar la enfermedad de forma precoz y en menos tiempo y coste. En este estudio, propusimos un método novedoso para determinar la presencia de neumonía e identificar su tipo (bacteriana o vírica) mediante el análisis de radiografías de tórax. Realizamos una clasificación de tres clases basada en características que contienen información diversa de las muestras. Tras utilizar una técnica de aumento para equilibrar el tamaño de las muestras del conjunto de datos, extrajimos las características estadísticas de las radiografías de tórax, así como características globales empleando una arquitectura de aprendizaje profundo. A continuación, combinamos ambos conjuntos de características y realizamos la clasificación final utilizando el clasificador RandomForest. También se incorporó un método de selección de características para identificar las características con mayor relevancia. Probamos el método propuesto en un conjunto de datos de radiografías de tórax ampliamente utilizado (pero reetiquetado) para evaluar su rendimiento. El modelo propuesto puede clasificar las muestras del conjunto de datos con una precisión de lasificación de 86,30 y una puntuación de 86,03, lo que reafirma la eficacia y fiabilidad del modelo. Sin embargo, los resultados muestran que el clasificador tiene dificultades para distinguir entre muestras de neumonía vírica y bacteriana. La aplicación de este método proporcionará una forma rápida y automática de detectar la neumonía en un paciente e identificar su tipo.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves:características, neumonía, muestras de neumonía bacteriana, conjunto de datos de radiografías de tórax, arquitectura de aprendizaje profundo, método de selección de características, altas tasas de mortalidad, medidas de diagnóstico oportunas, conjunto de datos, método.
• Keywords:features, pneumonia, bacterial pneumonia samples, chest radiograph dataset, deep learning architecture, feature selection method, high mortality rates, timely diagnostic measures, dataset, method