Resumen

El nuevo coronavirus, SARS-CoV-2, puede ser mortal para las personas, causando COVID-19. La facilidad de su propagación, unida a su alta capacidad de enfermar y morir en individuos infectados, lo convierte en un peligro para la comunidad. Las radiografías de tórax son uno de los exámenes radiográficos más comunes pero más difíciles de interpretar para el diagnóstico precoz de las infecciones relacionadas con el coronavirus. Contienen una cantidad considerable de información anatómica y fisiológica, pero a veces es difícil incluso para el radiólogo experto deducir la información relacionada que contienen. La clasificación automática mediante modelos de aprendizaje profundo puede ayudar a evaluar mejor estas infecciones con rapidez. Los modelos de CNN profunda, a saber, MobileNet, ResNet50 e InceptionV3, se aplicaron con diferentes variaciones, incluyendo el entrenamiento del modelo desde el principio, el ajuste fino junto con el ajuste de los pesos aprendidos de todas las capas, y el ajuste fino con los pesos aprendidos junto con el aumento. El ajuste fino con aumento produjo los mejores resultados en los modelos preentrenados. De ellos, los dos modelos de mejor rendimiento (MobileNet e InceptionV3) seleccionados para el aprendizaje conjunto produjeron una precisión y una puntuación FS del 95,18 y 90,34%, y 95,75 y 91,47%, respectivamente. El modelo de conjunto híbrido propuesto generado con la fusión de estos modelos profundos produjo una precisión de clasificación y FScore de 96,49 y 92,97%. Para el conjunto de datos de prueba, que se mantuvo por separado, el modelo generó una precisión y FScore de 94,19 y 88,64%. La clasificación automática mediante el aprendizaje conjunto profundo puede ayudar a los radiólogos a identificar correctamente las infecciones relacionadas con el coronavirus en las radiografías de tórax. En consecuencia, este diagnóstico rápido y asistido por ordenador puede ayudar a salvar preciosas vidas humanas y minimizar el impacto social y económico en la sociedad.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:peso aprendido, clasificación automática, infección relacionada, modelo de aprendizaje profundo, ajuste, fscore, aprendizaje conjunto profundo, diagnóstico de coronavirus, modelo cnn profundo, identificación de coronavirus
• Keywords:learned weight, automatic classification, related infection, deep learning model, tuning, fscore, deep ensemble learning, diagnosis of coronavirus, deep cnn model, identification of coronavirus