Estudio comparativo de la eficiencia diagnóstica de la viruela de mono con los algoritmos CNN y SVM

• Autores: Cerquin Saldarriaga, Alejandro Augusto, Huarcaya Castillo, Misael Josue
• Formato: tesis de grado
• Fecha de Publicación: 2023
• Institución: Universidad Cesar Vallejo
• Repositorio: UCV-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.ucv.edu.pe:20.500.12692/146445
• Enlace del recurso: https://hdl.handle.net/20.500.12692/146445
• Nivel de acceso: acceso abierto
• Materia: Reconocimiento de imágenes; Diagnostico preliminar; Viruela del mono; https://purl.org/pe-repo/ocde/ford#2.02.04

El objetivo de la investigación fue comparar la eficiencia diagnóstica de la viruela de mono con los algoritmos de CNN y SVM. Se midieron los niveles de incremento en la sensibilidad, la especificidad, la precisión y la exactitud y reducirá el tiempo de entrenamiento y el tiempo de identificación y se encontró mayores porcentajes en el algoritmo SVM en contra parte al algoritmo CNN. Esta investigación fue de naturaleza aplicada, con un enfoque cuantitativo, un diseño experimental de tipo pre-experimental. La variable fue el análisis de la eficiencia diagnóstica de la viruela de mono en comparación con los algoritmos CNN y SVM. La muestra incluyó más de 1100 imágenes de entrenamiento de diversas enfermedades; además, se utilizarán 1924 imágenes para identificar la viruela del mono y otras enfermedades en su respectiva prueba final. Como resultado, la Tabla 9 contiene una descripción más detallada de las imágenes utilizadas en la prueba de entrenamiento e identificación, y se incluyen enfermedades como la viruela símica, la varicela y el sarampión. Para futuras investigaciones, se recomienda realizar la validación cruzada para evaluar la precisión y el rendimiento de los algoritmos en datos no vistos para futuras investigaciones. Esto ayudará a calcular la capacidad de los algoritmos para adaptarse a nuevos casos de imágenes. Se recomienda también utilizar conjuntos de datos diversos y amplios para entrenar los algoritmos de aprendizaje automático. El entrenamiento aumentará la capacidad del algoritmo para reconocer diferentes tipos de lesiones al aumentar la diversidad de casos de imágenes.