Modelos DEEP LEARNING para diagnóstico de COVID-19 con tomografías computarizadas de KAGGLE

Abstract

Las estadísticas de covid-19 reflejaron una gran preocupación a nivel mundial y sobre todo en el Perú. Desde marzo del 2020, el brote de la enfermedad por coronavirus empezó a causar muertes en el Perú frente a un sistema de salud poco preparado para este tipo de situaciones, eso se vio reflejado en la limitación de camas UCI disponibles. Frente a este contexto, el objetivo general de la presente investigación fue determinar el modelo más adecuado de Deep Learning haciendo uso de una arquitectura de Red Neuronal Convolucional para el diagnóstico de covid-19 empleando tomografías computarizadas de Kaggle. El método de investigación fue hipotético deductivo, con diseño no experimental, transversal, descriptivo y correlacional. La técnica usada para la recolección de datos fue documental, el instrumento fue la plataforma Kaggle y la base de datos del conjunto de imágenes de tomografías computarizadas del tórax. La población de la investigación estuvo conformada por las 15,235 imágenes de tomografías computarizadas del tórax tomadas de la plataforma de datos abiertos de Kaggle, sobre las cuales se determinaron una muestra de entrenamiento y una muestra de validación, 80% y 20%, respectivamente. Se compararon los modelos de Deep Learning de Red Neuronal Convolucional de AlexNet y GoogLeNet, obteniéndose que el modelo más adecuado para el diagnóstico de covid-19 haciendo uso de tomografías computarizadas del tórax fue el modelo de GoogLeNet, pues obtuvo un valor superior del área bajo la curva ROC de 0.97