Resumen

Debido a la rápida propagación del COVID-19 y a la muerte que provoca en todo el mundo, es imperativo desarrollar una herramienta fiable para la detección precoz de esta enfermedad. Actualmente se acepta que la radiografía de tórax es uno de los medios fiables para tal fin de detección. Sin embargo, la mayoría de los métodos disponibles utilizan grandes datos de entrenamiento, y existe la necesidad de mejorar la precisión de la detección debido al limitado segmento límite de las imágenes adquiridas para la identificación de los síntomas. En este estudio, se propone un método robusto y eficiente basado en técnicas de aprendizaje de transferencia para identificar pacientes normales y COVID-19 empleando pequeños datos de entrenamiento. El aprendizaje por transferencia construye modelos precisos ahorrando tiempo. En primer lugar, se realizó un aumento de datos para ayudar a la red a memorizar los detalles de la imagen. A continuación, se implementaron cinco modelos de aprendizaje por transferencia de última generación, AlexNet, MobileNetv2, ShuffleNet, SqueezeNet y Xception, con tres optimizadores, Adam, SGDM y RMSProp, a distintas velocidades de aprendizaje, 1e-4, 2e-4, 3e-4 y 4e-4, para reducir la probabilidad de sobreajuste. Todos los experimentos se realizaron en conjuntos de datos disponibles públicamente con varias medidas analíticas obtenidas tras la ejecución con un método de validación cruzada de 10 veces. Los resultados sugieren que MobileNetv2 con el optimizador Adam a una tasa de aprendizaje de 3e-4 proporciona una exactitud, recuperación, precisión y puntuación F medias del 97%, 96,5%, 97,5% y 97%, respectivamente, superiores a las de todas las demás combinaciones. El método propuesto es competitivo con la literatura disponible, lo que demuestra que podría utilizarse para la detección precoz de pacientes con COVID-19.

• Materias:Inteligencia artificial Big Data Registros médicos electrónicos Acelerómetros Antecedentes teóricos
• Subjects:Artificial intelligence Big Data Electronic medical records Accelerometers Theoretical background
• Palabras claves:Pacientes con COVID-19, detección precoz, modelos de aprendizaje de transferencia de arte, datos de formación grandes, segmento límite limitado, varias mediciones analíticas, datos de formación pequeños, técnicas de aprendizaje de transferencia, varias tasas de aprendizaje, 3e-4
• Keywords:COVID-19 patients, early detection, art transfer learning models, large training data, limited boundary segment, several analytical measurements, small training data, transfer learning techniques, various learning rates, 3e-4