Algoritmo de diagnóstico preliminar de neumonía a partir de imágenes radiográficas del tórax

• Autor: Godoy Francisco, Vady Lee
• Formato: tesis de grado
• Fecha de Publicación: 2020
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/66465
• Enlace del recurso: https://hdl.handle.net/20.500.12692/66465
• Nivel de acceso: acceso abierto
• Materia: Neumonía; Radiografía de tórax; Neumonía viral; https://purl.org/pe-repo/ocde/ford#2.02.04

El problema de la investigación fue: ¿Cuál fue el efecto del algoritmo de transferencia de aprendizaje en la sensibilidad, especificidad, exactitud, precisión y tiempo de diagnóstico preliminar de neumonía a través de imágenes radiográficas del tórax? El objetivo de la investigación fue determinar el efecto del algoritmo de transferencia de aprendizaje en la sensibilidad, especificidad, exactitud, precisión y tiempo de diagnóstico preliminar de neumonía a través de imágenes radiográficas del tórax. El tipo de investigación fue cuantitativa, el diseño fue experimental porque se estableció el posible efecto de una causa que se manipula y el tipo de diseño de investigación fue pre-experimental porque a un grupo se le aplica una pre-prueba, después se le administra el tratamiento y finalmente se aplica una posprueba al estímulo. Se evaluó 5040 imágenes de rayos X de tórax de la Dataset- Pneumonia pública. Comparando los resultados de esta investigación con el algoritmo Resnet50, se obtuvo lo siguiente: un incremento de la sensibilidad en 0.69%, una reducción de la especificidad de 1.83%, una reducción de la exactitud de 0.74%, un incremento de la precisión de 0.02% y una reducción de tiempo de 78.62%. El uso del algoritmo de transferencia de aprendizaje para el diagnóstico preliminar de neumonía a partir de imágenes de radiográficas de tórax incrementó la sensibilidad y la precisión y hubo una reducción de la especificidad, de la exactitud y del tiempo con respecto al algoritmos con técnicas Resnet50. Finalmente, se presentó recomendaciones para futuras investigaciones.