Resumen

El aprendizaje profundo ha surgido como una técnica prometedora para una variedad de elementos de seguimiento y detección de enfermedades infecciosas, incluida la tuberculosis. Construimos un modelo de red neuronal convolucional profunda (CNN) para evaluar la generalizabilidad del modelo de aprendizaje profundo utilizando un conjunto de datos de tuberculosis de acceso público. Este estudio fue capaz de detectar de forma fiable la tuberculosis (TB) a partir de imágenes de rayos X de tórax utilizando técnicas de preprocesamiento de imágenes, aumento de datos y clasificación de aprendizaje profundo. Se entrenaron, validaron y evaluaron cuatro CNN profundas distintas (Xception, InceptionV3, InceptionResNetV2 y MobileNetV2) para la clasificación de casos de tuberculosis y no tuberculosis mediante aprendizaje por transferencia a partir de sus pesos iniciales preentrenados. Con una puntuación F1 del 99%, InceptionResNetV2 obtuvo la mayor precisión. Esta investigación es más precisa que los trabajos publicados anteriormente. Además, supera a todos los demás modelos en términos de fiabilidad. El enfoque sugerido, con su rendimiento de vanguardia, puede ser útil para la detección rápida de la tuberculosis asistida por ordenador.

• 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:tuberculosis, red neuronal convolucional profunda, conjunto de datos accesible sobre tuberculosis, modelo de aprendizaje profundo, CNN profundas distintas, vigilancia de enfermedades infecciosas, detección rápida de la tuberculosis, InceptionResNetV2, aprendizaje profundo, rendimiento artístico
• Keywords:tuberculosis, deep convolutional neural network, accessible tuberculosis dataset, deep learning model, distinct deep CNNs, infectious disease monitoring, rapid TB detection, InceptionResNetV2, Deep learning, art performance