Implementación de modelos de deep learning para la detección de tuberculosis y neumonía viral y/o bacteriana en radiografías torácicas

• Autores: Estevez Velarde, Franza Sofia, Gomez Vasquez, Oscar Alfredo
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad de Ingeniería y tecnología
• Repositorio: UTEC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.utec.edu.pe:20.500.12815/413
• Enlace del recurso: https://hdl.handle.net/20.500.12815/413
• Nivel de acceso: acceso abierto
• Materia: Aprendizaje profundo; Procesamiento de Imágenes; Diagnóstico por Imagen; Enfermedades Pulmonares; Deep Learning; Image Processing; Diagnostic Imaging; Lung Diseases; https://purl.org/pe-repo/ocde/ford#2.11.00

La neumonía y la tuberculosis (TB) son las enfermedades respiratorias más prevalentes en niños de uno a cinco años en Perú. Un diagnóstico rápido y eficaz es esencial para hospitales, clínicas e instituciones de salud, ya que mejora los resultados del paciente y optimiza la eficiencia operativa. El deep learning (DL) aplicado al análisis de imágenes médicas ha demostrado ser valioso para el diagnóstico, ayudando a los médicos a incrementar la exactitud y reducir el error humano. Este estudio desarrolló un modelo basado en la arquitectura ResNet para detectar neumonía y TB en radiografías de tórax pediátricas, utilizando una base de datos de 5856 imágenes del Centro Médico de Mujeres y Niños de Guangzhou (4100 de entrenamiento, 878 de validación y 878 de prueba) y del Instituto Nacional de Alergias y Enfermedades Infecciosas (988 de entrenamiento, 211 de validación y 211 de prueba). La validación final mostró que ResNet superó a EfficientNet en la detección de TB y neumonía, logrando menor pérdida de validación (7,46% vs. 10,59% en TB y 41,73% vs. 46,91% en neumonía) y mayor exactitud (97,62% vs. 95,71% en TB y 86,06% vs. 83,03% en neumonía), confirmándolo como el modelo más adecuado. Asimismo, se implementó una plataforma digital en Python y HTML, facilitando su integración en la práctica clínica. Este estudio resalta el potencial de ResNet para mejorar el diagnóstico de TB y neumonía y enfatiza la importancia de optimizar los modelos de DL en el ámbito médico.