Godoy FVL SD

FACULTAD DE INGENIERÍA Y ARQUITECTURA
ESCUELA PROFESIONAL DE INGENIERÍA DE

SISTEMAS
Algoritmo de diagnóstico preliminar de neumonía a partir de

imágenes radiográficas del tórax
TESIS PARA OBTENER EL TÍTULO PROFESIONAL DE:

INGENIERO DE SISTEMAS
AUTOR:
Godoy Francisco, Vady Lee (ORCID: 0000-0002-1282-7596)
ASESOR:
Dr. Alfaro Paredes, Emigdio Antonio (ORCID: 0000-0002-0309-9195)
LÍNEA DE INVESTIGACIÓN:
Sistema de información y comunicaciones
LIMA – PERÚ
2020
Dedicatoria
Quiero dedicar esta investigación en

especial a mis padres Neire Godoy y
Sonia Francisco y a mis hermanos
Belker y Cynthia, ya que con su apoyo y
motivación me animaron a superar los
obstáculos que se han presentado y
aprendí de ellos el valor de la humildad.
ii
Agradecimiento
Agradezco a los profesores, hermanos y

a todos quienes han sido parte
fundamental para guiarme tanto en lo
moral y lo académico, ya que con su
apoyo y comprensión voy a alcanzar mis
metas.
iii
Índice de contenidos
I. INTRODUCCIÓN .................................................................................................... 1
II. MARCO TEÓRICO ............................................................................................... 10
III. MÉTODO ................................................................................................................ 20
3.1 Tipo y diseño de investigación ........................................................................ 21
3.2 Variable y operacionalización .......................................................................... 22
3.3 Población muestra y muestreo ........................................................................ 23
3.4 Técnicas e instrumentos de recolección de datos ....................................... 25
3.5 Procedimientos .................................................................................................. 25
3.6 Método de análisis de datos ............................................................................ 29
3.7 Aspectos éticos .................................................................................................. 29
IV. RESULTADOS ...................................................................................................... 31
4.1 Cálculo de los indicadores ............................................................................... 32
4.2 Resultados de los cálculos de los indicadores con el algoritmo de

transferencia de aprendizaje .................................................................................. 35
4.3 Análisis del diseño pre-experimental.............................................................. 35
4.4 Prueba de hipótesis........................................................................................... 38
4.5 Resumen de la comprobación de la hipótesis .............................................. 41
V. DISCUSIÓN ........................................................................................................... 43
VI. CONCLUSIONES ................................................................................................. 47
VII. RECOMENDACIONES ........................................................................................ 50
REFERENCIAS ............................................................................................................ 53
iv
Índice de tablas
Tabla 1 Tipo y cantidad de imágenes de rayos x ................................................... 24
Tabla 2 Criterios de inclusión y exclusión – Adaptado de Otzen y Manterola
(2017, p. 230). .............................................................................................................. 25
Tabla 3 Lista de imágenes etiquetadas.................................................................... 27
Tabla 4 Matriz de confusión - Permite calcular el porcentaje de los indicadores,
sensibilidad, especificidad, precisión y exactitud (Gordis,2015) .......................... 28
Tabla 5 Matriz de confusión - diagnóstico con 620 imágenes radiográficas de
tórax ............................................................................................................................... 32
tórax ............................................................................................................................... 33
tórax ............................................................................................................................... 34
Tabla 8 Resultados de tres pruebas de los de los indicadores con la aplicación
web ................................................................................................................................. 35
Tabla 9 Resultado de los valores antes de la prueba con la aplicación web para
3458 imágenes (El Asnaoui et al., 2020) ................................................................. 36
Tabla 10 Resultados de los indicadores para la post-prueba de hipótesis ........ 37
Tabla 11: Comparación de los resultados entre los indicadores del algoritmo el
algoritmo de transferencia de aprendizaje, Resnet50 y RNN. ............................. 37
Tabla 12 Resultados de los incrementos de cada indicador ................................ 41
Tabla 13 Resumen de resultados de los indicadores en la comprobación de
hipótesis......................................................................................................................... 42
v
Tabla 14 Matriz de operacionalización del algoritmo de diagnóstico preliminar de
neumonía a partir de imágenes radiográficas del tórax ........................................ 65
Tabla 15 Detalle completo de la Dataset Kaggle.................................................... 80
Tabla 16 Patrones que podrían sugerir un microorganismo causal concreto
(Herring, 2016, p. 68) ................................................................................................ 101
Tabla 17 Resumen de los aspectos clave para reconocer una neumonía (Herring,
2016, p. 69) ................................................................................................................. 102
Tabla 18 Matriz de consistencia .............................................................................. 108
vi
Índice de figuras
Figura 1. Modelo de diseño de transferencia de aprendizaje............................... 26
Figura 2. Diagrama de flujo del algoritmo de transferencia de aprendizaje ....... 71
Figura 3. Visión general de la metodología (Muhammad, 2020, p.11) ............... 72
Figura 4. Diferentes métricas de rendimiento en diferentes modelos de redes de
aprendizaje profundo (Muhammad, 2020, p. 12).................................................... 73
Figura 5. Resultados previos con modelos de redes neuronales y Dataset de
imágenes de rayos x de tórax (Muhammad, 2020, p.13) ...................................... 74
Figura 6. Arquitectura de entrenamiento de la imagen a través una de una red
neuronal convolucional (Okeke, 2019, p.4). ............................................................ 75
Figura 7. Librerías para aprendizaje automático .................................................... 76
Figura 8. Librerías que identifican la información entre imágenes ...................... 76
Figura 9. Google Colab, un entorno gratuito de Jupyter Notebook que permite
crear código en la nube (Alvez y Vieira, 2020). ...................................................... 77
Figura 10. Imágenes radiográficas de casos normales ......................................... 78
Figura 11. Imágenes radiográficas de casos con neumonía bacteriana ............ 79
Figure 12. Imágenes radiográficas de casos con neumonía viral........................ 79
Figura 13. Comando para la instalación de librerías tensorflow. ......................... 80
Figura 14. Código que permite importar las librerías. ............................................ 81
Figura 15. Mensaje donde se indica que se está usando Tensorflow Backend 81
Figura 16. Código de acceso del Google Colab con Dataset y la declaración de
los hiper-parámetros.................................................................................................... 82
Figura 17. Acceso y selección de imágenes por tipo, parte superior, Imágenes
de radiografía de tórax normal, parte inferior tórax con neumonía. .................... 83
Figura 18. Preparando la data para el modelo........................................................ 84
Figura 19. Código para generar objetos y conjunto de pruebas .......................... 84

vii
Figura 20. Código que realiza las predicciones de las imágenes ........................ 85
Figura 21. Hiper parámetros y obtención de la Dataset imágenes...................... 85
Figura 22. Arquitectura de la red neuronal de convolución CNN......................... 86
Figura 23. Generación de objetos ............................................................................. 87
Figura 24. Proceso de ejecución para entrenar a la imagen ................................ 87
Figura 25. Login del sistema de la aplicación web................................................. 88
Figura 26. Login de Usuario ....................................................................................... 89
Figura 27. Seleccionador de imágenes.................................................................... 89
Figura 28. Imágenes radiográficas con neumonía de la Dataset a evaluar ....... 90
Figura 29. Imágenes radiográficas normales de la Dataset ................................. 90
Figura 30. Mensaje de imagen procesada de una radiografía de tórax que no
presenta neumonía...................................................................................................... 91
Figura 31. Detalle de diagnóstico y tiempo de la imagen sin neumonía ............ 91
Figura 32. Mensaje de imagen procesada de una radiografía de tórax con
neumonía....................................................................................................................... 92
Figura 33. Detalle de diagnóstico y tiempo de imagen con neumonía ............... 93
Figura 34. Descargar lista de tiempos de evaluaciones ........................................ 93
Figura 35. La lista descargada en un block de notas ............................................ 94
Figura 36. Muestra de lista de los tiempos evaluados........................................... 94
Figura 37. Consulta de sensibilidad, especificidad, exactitud y precisión del
modelo ........................................................................................................................... 95
viii
Índice de anexos
Anexo 1: Matriz de operacionalización de variables .............................................. 65
Anexo 2: Pseudocódigo de la aplicación web ......................................................... 66
Anexo 3: Flujograma del sistema de diagnóstico preliminar de neumonía ........ 71
Anexo 4: Modelos de precisión de aprendizaje según tipo de modelos............. 73
Anexo 5: Muestras de trabajos similares con imágenes de la dataset ............... 74
Anexo 6: La arquitectura de CNN propuesta........................................................... 75
Anexo 7: Requisitos para el sistema con Python 3.7.9 ......................................... 76
Anexo 8: Entorno Python ............................................................................................ 77
Anexo 9: Dataset de radiografía de tórax ................................................................ 78
Anexo 10: Dataset e instalación de librerías ........................................................... 80
Anexo 11: Inicio de codificación con la Importación de librerías.......................... 81
Anexo 12: Manual de usuario .................................................................................... 88
Anexo 13: Resultados de la sensibilidad, especificidad, exactitud y precisión en
la matriz de confusión del sistema ............................................................................ 95
Anexo 14: Teorías relacionadas al tema de investigación .................................... 96
Anexo 15: Matriz de consistencia............................................................................ 108
ix
Índice de abreviaturas
Sigla Significado Pág.

Inglés Español
WHO, World Health Organización Mundial de la Salud 2
OMS Organization (Hashmi et al., 2020, p. 1)
VGG16 Visual Geometry Grupo de geometría visual versión 3
Group version 16 16 (Asnaoui et al., 2020, p. 5)
CNN Convolution Neural Red Neuronal Convolucional 3
Network (Maghdid et al., 2020, p. 1)
DCNN Deep Red neuronal convolucional 4
Convolutional profunda (Rahman et al., 2020, p. 3)
Neural Network
FCN Fully Convolutional Red totalmente convolucional 4
Network (Rahman et al., 2020, p. 3)
IA Artificial Inteligencia Artificial (Russell et al., 5
Intelligence 2004, p. 20)
TPR True Positive Rate Tasa de Verdaderos Positivos (Qian 8
et al., 2020, p. 3541)
TNR True Negative Tasa de Verdaderos Negativos 8
Rate (Qian et al., 2020, p. 3541)
ChexNet Chest X Ray Imágenes de rayos X de tórax 11
Network (Rajpurkar et al., 2017, p. 2)
AUC Area Under the Área bajo la curva (Hashmi et al., 11
Curve 2020, p. 3)
SVM Support Vector Máquinas de vector de soporte 11
Machines (Jakhar y Hooda, 2018, p. 2)
TC Computed Tomografía Computarizada 12
Tomography
DL Deep Learning Aprendizaje Profundo (Alonzo, 2020, 12
p. 2)
x
Sigla Significado Pág.
Inglés Español
TBP Tuberculosis Tuberculosis Pulmonar (Wu et al., 12
Pulmonary 2019, p. 1).
VGG19 Visual Geometry Grupo de geometría visual versión 13
Group version 19 19 (El Asnaoui et al., 2020, p. 5).
ResNet18 Residual Neural Red Neuronal Residual v18 (Hashmi 13
Network v18 et al., 2020, p. 1).
Resnet50 Residual Neural Red Neuronal Residual v50 (Hashmi 13
Network v50 et al., 2020, p. 1).
OCT Optical Coherence Tomografía de Coherencia Óptica 22
Tomography (Stephen et al., 2019, p. 7).
LOTEP Lucid Oriented in Lúcido, Orientado en Tiempo y 24
Space, Time and Espacio y Persona (Otzen y
Person (LOSTP) Manterola, 2017, p. 230).
VP True Positive (TP) Verdadero Positivo (Gordis, 2014, p. 26
91).
FN False Negative (FP) Falso Negativo (Gordis, 2014, p. 91) 26
VN True Negative (TN) Verdadero Negativo (Gordis, 2014, 26
p. 91).
FP False Positive (FP) Falso Positivo (Gordis, 2014, p. 91) 26
AlexNet Alex Network Red neuronal convolucional, 42
diseñada por Alex Krizhevsky
(Rahman et al., 2020, p. 2).
TPU Tensor Processing Unidad de Procesamiento de 50
Unit Tensor (Jouppi, Yoon, Kurian, Li,
Patil, Laudon, Young 2017).
GPU Graphics Unidad de Procesamiento de 50
Processing Unit Gráficos (Jouppi et al., 2017).
API Application Interfaz de Programación de 72
Programming Aplicaciones (Karim, 2018, p. 8).
Interface
xi
Resumen
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.
Palabras clave: sensibilidad, especificidad, exactitud, precisión , tiempo,

neumonía bacteriana, neumonía viral, radiografía de tórax,
transferencia de aprendizaje, DataSet-Pneumonia.
xii
Abstract
The research problem was: What was the effect of the learning transfer algorithm
on the sensitivity, specificity, accuracy, precision and preliminary diagnosis time
of pneumonia through chest radiographic images? The objective of the research
was to determine the effect of the learning transfer algorithm on the sensitivity,
specificity, accuracy, precision and time of preliminary diagnosis of pneumonia
through chest radiographic images. The type of research was quantitative and
the design was experimental because the possible effect of a manipulated cause
was established and the type of research design was pre-experimental because
a pre-test is applied to a group, then the treatment is administered and finally a
post-test is applied to the stimulus.
The 5040 chest X-ray images from the Public Pneumonia Dataset were
evaluated. Comparing the results of this investigation with the Resnet50
algorithm, the following was obtained: an increase in sensitivity of 0.69%, a
reduction in specificity of 1.83%, a reduction in accuracy of 0.74%, an increase
in precision of 0.02%, and a time reduction of 78.62%.
The use of the learning transfer algorithm for the preliminary diagnosis of
pneumonia from chest radiographic images increased: sensitivity and precision
and there was a reduction in specificity, accuracy and time with respect to the
algorithms with Resnet techniques50. Finally, recommendations for future
research were presented.
Keywords: sensitivity, specificity, accuracy, precision , time, bacterial
pneumonia, viral pneumonia, chest x radiography, transfer learning,
DataSet-Pneumonia.
xiii
I. INTRODUCCIÓN
1
En este capítulo se desarrolló la realidad problemática sobre el potencial mortal
de la neumonía y trabajos de investigación que se realizaron para hacer un
diagnóstico preliminar a través de algoritmos a partir de imágenes radiográficas
de tórax. Posteriormente, se mencionó el aporte que se realizó con un algoritmo
de diagnóstico de transferencia de aprendizaje a partir de imágenes
radiográficas de tórax. Seguidamente, se definieron las justificaciones que se
basó en simplificar el proceso de detección, contribu yó con métodos y técnicas
que serán de fácil uso, multiplataforma y con costes bajos. Por consiguiente, se
planteó el problema general: ¿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 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.
Finalmente, se planteó las hipótesis con respecto a los indicadores mencionados
como son el incremento de la sensibilidad, especificidad, exactitud, precisión y
reducción de tiempo en el diagnóstico de neumonía a partir de imágenes
radiográficas de tórax.
La neumonía es una afección inflamatoria del pulmón, es una de las

infecciones graves más comunes y causa dos millones de muertes al año entre
jóvenes y adultos por igual (Ortega et al., 2011, p. 38). Según, Rahaman, Yao,
Kulwa, Wang, Qi, Kong, Zhu y Zhao (2020), la neumonía es una enfermedad
potencialmente mortal que ocurre en los pulmones causada por una infección
bacteriana o viral. Además, Rahaman et al. (2020) dijeron: “puede poner en
peligro la vida si no se actúa en el momento adecuado, por lo tanto, el diagnóstico
preliminar de neumonía es vital” (p. 1). También, Hashmi, Katiyar, Keskar, Bokde
y Geem (2020) indicaron: “para los especialistas de OMS, cada año la neumonía
mata a unos 1.4 millones de niños menores de cinco años, lo que representa el
18% de todas las muertes de niños menores de cinco años en todo el mundo”
(p. 2).
2
Esta enfermedad presenta al médico una variedad de desafíos, tanto en
el diagnóstico como en el manejo, todos los cuales representan una
preocupación significativa para el bienestar de los pacientes cuya capacidad
para combatir infecciones ya está frecuentemente comprometida (Kermany et
al., 2018, p. 1122). De acuerdo con Hashmi et al. (2020), la neumonía afecta a
niños y familias de todo el mundo, pero es más frecuente en Asia Meridional y
África Subsahariana (p. 2). Por otra parte, Loey, Smarandache y Khalifa (2020)
mencionaron: “Según la Organización Mundial de la Salud, la pandemia del
coronavirus (COVID-19) está poniendo los sistemas sanitarios en todo el mundo
bajo una presión sin precedentes y creciente” (p. 1).
Hoy en día, el aprendizaje automático y los métodos de inteligencia

artificial están trascendiendo en todos los aspectos. Por ello, Jakhar y Hooda
(2018, p. 1) mencionaron: “actualmente es un área muy activa de investigación
en ciencias médicas”. Con el fin de mejorar la eficiencia de las instalaciones a
las que sirven, las redes neuronales están volviendo a la actualidad por los logros
que están consiguiendo. Al respecto, Knok, Pap, y Hrnčić (2019, p. 315)
indicaron: “En los últimos años, el auge en el campo de las redes neuronales
convolucionales ha sido especialmente notable, mostrando resultados
prometedores en problemas relacionados con el procesamiento de imágenes y
la visión por ordenador”
Al respecto, Loey et al. (2020) propusieron: “Con los avances en

algoritmos informáticos y especialmente inteligencia artificial, la detección de
este tipo de virus en las primeras etapas ayudará en la recuperación rápida y
ayudará a liberar la presión de los sistemas de salud” (p. 1). Asimismo, Aluja-
Jaramillo, Mahecha y González (2021) dijeron : “la detección temprana es
importante para orientar el diagnóstico y también ayuda a dirigir el manejo clínico
apropiado, principalmente el de la enfermedad pulmonar intersticial asociada a
las patologías del tejido conectivo” (p. 1).
Entre las técnicas de aprendizaje profundo, las CNN se han mostrado muy
prometedoras en la clasificación de imágenes y, por lo tanto, han sido
ampliamente adoptadas por la comunidad de investigadores. Chouhan, Singh,
Khamparia, Gupta, Tiwari, Moreira, Damaševičius y Albuquerque (2020)
3
utilizaron el concepto de transferencia de aprendizaje en el marco de aprendizaje
profundo para la detección de neumonía utilizando modelos ImageNet
previamente entrenados y sus conjuntos (p. 12). Por su parte, Xianghong, Liyan,
Huiying y Ran (2018) emplearon: “Un modelo VGG16 personalizado que consta
de dos partes, la identificación de la región pulmonar con un modelo de red
totalmente convolucional FCN y la clasificación de la categoría de neumonía
utilizando una red neuronal convolucional profunda DCNN” (p. 4).
Este trabajo se basa en el diagnóstico de neumonía según la imagen de

rayos X obtenida como parámetro de entrada. De acuerdo con Knok et al. (2020,
p. 315), con el avance de la inteligencia artificial, puede ser muy útil en el
diagnóstico de imágenes de rayos X y desempeñar un papel importante en la
detección de enfermedades, servir como asistente informático para radiólogos y
aumentar su eficiencia en el diagnóstico. Además, Knok et al. (2020) señalaron:
“particularmente notable es la aplicación del sistema de IA para el diagnóstico de
neumonía utilizando imágenes de rayos X de tórax” (p. 315). Esta herramienta
puede ayudar en la aceleración del diagnóstico y de la remisión de estas
condiciones tratables, facilitando el tratamiento anterior, dando resultados
clínicos mejorados.
Por último, es necesario contar con una Dataset de imágenes de rayos x

de tórax, por ejemplo, Wang, Shi, Ye, Dong, Yu, Zhou, Liu y Gevaert (2019)
emplearon: “un conjunto de datos que contenía 32717 radiografías de pacientes
que fue utilizado en una técnica de aprendizaje profundo produciendo resultados
prometedores” (p. 5); vale decir, está entrenado con datos para bri ndar
soluciones automáticas a los problemas y ofrece amplias oportunidades para la
industria médica.
Junto a los elementos previos, es indispensable la justificación del estudio

según el objetivo que se pretendió lograr. De la misma manera, Hernández y
Mendoza (2018, p. 45) dijeron: “adicionalmente a los elementos previos, es
necesario que justifiquemos el estudio que pretendemos realizar, basándonos
en los objetivos y las preguntas de investigación, lo cual implica exponer las
razones por las cuales es importante o necesario llevarlo a cabo y los beneficios
que se derivarán de él”.
4
Las justificaciones teóricas implican en contribuir con los especialistas de
la salud, buscando reducir el tiempo y predecir el diagnóstico de neumonía. Al
respecto, Chouhan et al. (2020) dijeron: “Es simplificar el proceso de detección
de neumonía tanto para expertos como para principiantes”. Por otra parte,
Maghdid, Asaad, Ghafoor, Sadiq, y Khan (2020) dijeron: “puedan ser utilizadas
por radiólogos o profesionales de la salud para diagnosticar la neumonía de los
casos de COVID-19 de una manera rápida y precisa”. De esto se infiere que al
conocer los requisitos que requiere el sistema se opta por ver las funcionalidades
que va poder realizar y en que entorno tecnológico podría llegar.
Al respecto, la justificación metodológica implica en contribuir a crear

nuevos métodos ya que, existe una necesidad urgente de realizar
investigaciones y desarrollar nuevos métodos que ayuden a proporcionar un
diagnóstico asistido por computadora para reducir la mortalidad relacionada con
la neumonía, especialmente la mortalidad infantil, en el mundo en desarrollo. Al
respecto, Loey et al. (2020) dijeron: “Con los avances en algoritmos informáticos
de inteligencia artificial, la detección de este tipo de virus en las primeras etapas
ayudará en la recuperación rápida y a liberar la presión de los sistemas de salud”
(p. 2).
Es indispensable que se resalte la importancia de usar la metodología.

Asimismo, Hashmi et al. (2020) afirmaron: “un modelo eficiente para la detección
de neumonía entrenada en imágenes digitales de rayos x torácico, lo que podría
ayudar a los radiólogos en su proceso de toma de decisiones” (p. 8). Estos
conceptos contribuyen a la definición de un concepto, variable o relación entre
variables, pueden lograrse con él mejoras en la forma de experimentar con una
o más variables, y sugiere cómo estudiar más adecuadamente una población
(Hashmi et al., 2020, p. 8).
En el estudio sobre algoritmo de diagnóstico preliminar de neumonía

como justificación tecnológica se fundamenta en optar a realizar el más
apropiado y mejorado uso de las tecnologías para reducir tiempos, tanto para los
criterios de la información como de lograr resultados eficientes y precisos. Al
respecto, Lin y Jung (2017) precisaron: “Una tecnología emergente de
aprendizaje de transferencia permite a un individuo adaptar su modelo a los
5
datos o información de otros sujetos selectivamente, de modo que el impacto de
la diferencia individual pueda aliviarse de alguna manera” (p. 90).
La transferencia de aprendizaje es esencial en la tecnología porque

permite adaptarse a los datos ya que demostró éxito en varios estudios. Por
estas razones, López (2019, p. 6) dijo: “la capacidad de los ordenadores para
realizar tareas específicas, incluso mejor que las personas, ya se ha demostrado
ampliamente”. “En ciertos dominios, los avances de la IA débil superan en mucho
la pericia humana, como por ejemplo buscar soluciones a fórmulas lógicas con
muchas variables o jugar al ajedrez, o en diagnóstico médico y muchos otros
aspectos relacionados con la toma de decisiones” (López, 2019, p. 6); es decir,
al pasar de los años, los sistemas inteligentes se vuelven más flexibles y fáciles
de acceder para obtener un diagnostico eficiente para la toma de decisión.
Con la justificación social se fundamenta en el cual el algoritmo de

transferencia de aprendizaje será de fácil uso, donde el usuario estará
capacitado para que aprenda su usabilidad para el registro del diagnóstico
preliminar de neumonía. Al respecto, Enríquez y Casas (2013) dijeron: “Un
aplicativo web debe ser fácil de manipular para que pueda ser usada por todos
los usuarios y así realizar un trabajo preciso, efectivo y eficiente” (p. 27).
A nivel económica el sistema de diagnóstico preliminar bajo código abierto

en Python, no genera un costo alguno. La información será almacenada en el
lugar donde se le aplique. Al respecto, Rahman et al. (2015) comentaron: “Deep
Learning y Machine Learning. estas técnicas de rayos X de tórax están ganando
popularidad, ya que se pueden utilizar fácilmente con técnicas de imagen de bajo
costo y hay una gran cantidad de datos disponibles para entrenar diferentes
modelos” (p. 2); por lo tanto, para desarrollar este sistema predictivo solo habrá
necesidad de contar con licencias en el uso de lenguajes de programación .
Sobre la base de la realidad problemática, presentada se planteó el

problema general y los problemas específicos de la investigación. El problema
general 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?”. Los problemas específicos de la investigación fueron los siguientes:
6
▪ ¿Cuál fue el efecto del algoritmo de transferencia de aprendizaje en la
sensibilidad de diagnóstico preliminar de neumonía a través de
imágenes radiográficas del tórax?

especificidad de diagnóstico preliminar de neumonía a través de
imágenes radiográficas del tórax?

exactitud de diagnóstico preliminar de neumonía a través de imágenes
radiográficas del tórax?

precisión de diagnóstico preliminar de neumonía a través de imágenes
▪ ¿Cuál fue el efecto del algoritmo de transferencia de aprendizaje en el

tiempo de diagnóstico preliminar de neumonía a través de imágenes
También se plantearon los objetivos, Hernández y Mendoza (2018)

dijeron: “en una investigación puede tenerse un objetivo y su pregunta o varios
objetivos y las interrogantes correspondientes, según sea el caso” (p. 44). El
objetivo general 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
del tórax”. Los objetivos específicos de la investigación fueron los siguientes:
▪ OE1: Determinar el efecto del algoritmo de transferencia de

aprendizaje en la sensibilidad de diagnóstico preliminar de neumonía
a través de imágenes radiográficas del tórax.

aprendizaje en la especificidad de diagnóstico preliminar de neumonía
a través de imágenes radiográficas del tórax.
7
aprendizaje en la exactitud de diagnóstico preliminar de neumonía a
través de imágenes radiográficas del tórax.

aprendizaje en la precisión de diagnóstico preliminar de neumonía a

aprendizaje en el tiempo de diagnóstico preliminar de neumonía a
Se definieron las hipótesis generales y específicas. La hipótesis general

del estudio fue: “El algoritmo de transferencia de aprendizaje incrementó la
sensibilidad, la especificidad, la exactitud y la precisión y redujo el tiempo de
diagnóstico preliminar de neumonía a través de imágenes del tórax”. Rahman et
al. (2020) mencionaron: “hay una tendencia común en el entrenamiento de
algoritmos de aprendizaje profundo para convertir el conjunto de datos
comparativamente más pequeño en uno grande utilizando técnicas de aumento
de datos” (p. 8); es decir, las CNN funcionan mejor con un conjunto de datos
grande y contar con ello mejorara el incremento. De la misma manera las
hipótesis específicas de la investigación fueron:
▪ HE1: El algoritmo de transferencia de aprendizaje incrementó la

sensibilidad de diagnóstico preliminar de neumonía a través de
imágenes del tórax. “Concretamente, la sensibilidad, conocida como
tasa de verdaderos positivos (TPR), indica el porcentaje de pacientes
positivos con una discriminación correcta. Denominada tasa de
verdaderos negativos (TNR)” (Qian et al, 2020, p. 3541).

especificidad de diagnóstico preliminar de neumonía a través de
imágenes radiográficas del tórax. Para Qian et al, (2020, p. 3541), la
“especificidad representa el porcentaje de personas negativas
correctamente clasificadas”. Además, “En esta investigación, el tiempo
8
computacional combinado en dos redes individuales es casi idéntico a
su red concatenada” (Salehi et al., 2021).

exactitud de diagnóstico preliminar de neumonía a través de imágenes
radiográficas del tórax. La exactitud de la detección de la clasificación
se calcula sólo cuando fuera una región verdaderamente positiva
( Renneboog, 2019, p. 1). Asimismo, Wu, Hui, Niu, Li, Wang, He, Yang,
Li, Li, Tian, y Zha (2020) evaluaron: “el rendimiento de la exactitud de
tres modelos de CNN 3D en el conjunto de pruebas, que consistía en
150 casos, incluidos 75 casos del grupo de PTB y 75 casos normales
del grupo sano, con 412 regiones de lesión de PTB válidas” (p 25). Del
mismo modo para Wu et al. (2020, p. 27), “la exactitud de los tres
modelos de aprendizaje profundo fue del 86,7% para estos tres
grupos”.

precisión de diagnóstico preliminar de neumonía a través de imágenes
radiográficas del tórax. Hammoudi, Benhabiles, Melkemi, Dornaika,
Arganda, Collard y Scherpereel (2020) dijeron: “la precisión es una
buena medida para determinar cuándo los costos de los falsos
positivos son altos”. Gracias a la inteligencia artificial, se puede realizar
diagnósticos de precisión y en etapas temprana (Hammoudi et al.,
2020, p. 1).
▪ HE5: El algoritmo de transferencia de aprendizaje redujo en el tiempo

de diagnóstico preliminar de neumonía a través de imágenes
radiográficas del tórax. Con respecto a esta enfermedad
potencialmente mortal, Rahman et al. (2020, p. 14) señalaron: una
intervención oportuna con un plan de tratamiento adecuado mediante
un diagnóstico correcto de la enfermedad puede salvar un nú mero
importante de vidas. Debido al enorme número de pacientes en
urgencias al aire libre o en países del tercer mundo, el tiempo de los
médicos es limitado y el diagnóstico asistido por ordenador (CAD)
puede salvar vidas (Rahman et al., 2020, p. 14).
9
II. MARCO TEÓRICO
10
En el capítulo se define los trabajos previos donde se desarrollaron un algoritmo
y sistemas automatizados para la detección de la neumonía a partir de imágenes
radiografías de tórax a un nivel superior al de los radiólogos en activo, un nuevo
marco de aprendizaje profundo. También se define las teorías relacionadas
utilizando el concepto de aprendizaje de transferencia y las siguientes métricas
de referencia, incluyendo precisión, sensibilidad, especificidad y puntuación F1.
En el capítulo también se contextualiza los antecedentes de investigación y la
elaboración de un marco teórico cuyas etapas son: detección y obtención de la
fuente de acuerdo al planteamiento.
Rajpurkar et al. (2017) desarrollaron un algoritmo que detecta la neumonía

a partir de radiografías de tórax a un nivel que supera a los radiólogos en activo.
CheXNet es una red neuronal convolucional de 121 capas entrenada en ChestX-
ray14, actualmente el mayor conjunto de datos de rayos X de tórax disponible
públicamente, que contiene más de 100.000 imágenes de rayos X de vista frontal
con 14 enfermedades (Rajpurkar et al., 2017). Asimismo, Rajpurkar et al. (2017)
compararon el rendimiento de CheXNet con cuatro radiólogos académicos en
activo que anotan un conjunto de pruebas. Finalmente, Raipurkar et al. (2017)
concluyeron que CheXNet supera el rendimiento medio de los radiólogos en la
métrica F1; además, también lo emplearon para detectar las 14 enfermedades
de ChestX-ray14 y lograron resultados de vanguardia.
El análisis predictivo de datos en ML es un área de investigación muy

activa en la ciencia médica que tiene gran éxito en la predicción de muchas
enfermedades mortales como la neumonía. Al respecto, Jakhar y Hooda (2018)
propusieron un modelo de predicción eficiente para bigdata, con capas
profundas, que clasifica si una persona tiene neumonía. Los experimentos se
llevaron a cabo con los datos en imágenes de rayos X de alta calidad y se logró
una precisión de predicción del 84% y un AUC con resultados prometedores y
cuando DCNN se comparó con los de la SVM (Jakhar y Hooda, 2018). Se ha
concluido en los casos por neumonía, la implementación del ML juega un papel
importante en la predicción de muchas enfermedades mortales en el futuro
(Jakhar y Hooda, 2018).
El procesamiento de imágenes con los modelos de aprendizaje profundo

contribuye a las áreas de la salud humana (Toğaçar et al., 2019, p. 223). La
11
neumonía representa alrededor del 18% de las enfermedades infecciosas y las
personas pueden padecerla en cualquier período de sus vidas que puede causar
la muerte (Togaçar et al., 2019, p. 223). Del mismo modo, Togacar et al. (2019)
emplearon imágenes de radiografía del pulmón para el diagnóstico de la
neumonía. Utilizaron CNN de deep learning para la extracción de características
en el conjunto de imágenes. Se comparó con diferentes clasificadores. Los
resultados fueron un 95.8% con máquinas de vectores de soporte (SVM).
Finalmente, Togacar et al. (2019, p. 226) concluyeron que los modelos de
aprendizaje profundo con CNN son más rápidos, precisos y eficientes en el
campo biomédico.
En tanto, Wu et al. (2019, p. 1) desarrollaron un sistema basado en

modelos DL para generar automáticamente un informe de diagnóstico
cuantitativo de (TC) para casos de tuberculosis pulmonar (TBP). Los resultados
mostraron que las tasas de recuperación y exactitud, a partir del punto de vi sta
de una sola zona de lesión del parto prematuro, fueron 85,9% y 89,2%
respectivamente (Wu et al., 2019, p. 3). Las tasas en general de recuperación y
exactitud, a partir del punto de vista con casos de TBP, fueron 98.7% y 93.7%,
respectivamente (Wu et al., 2019, p. 3). Además, la tasa de exactitud de la
categorización del tipo de lesión del parto prematuro ha sido del 90.9%. El nuevo
procedimiento podría ser eficaz para la toma de elecciones de los doctores
clínicos (Wu et al., 2019, p. 6).
Hacer un modelo de CNN desde cero para clasificar y detectar la

presencia de neumonía a partir de imágenes de rayos X de tórax. A diferencia
de otros métodos que se basan únicamente en enfoques de TL o técnicas
tradicionales para lograr un rendimiento de clasificación notable. Sobre esto
Stephen, Sain, Maduh y Jeong (2019) construyeron un modelo CNN para extraer
características en imágenes de rayos X de tórax y clasificarla para determinar si
una persona está con neumonía. A diferencia de otros clasificadores Deep
Learning con imágenes, es difícil obtener una gran cantidad de datos de
neumonía; por lo tanto, implementaron varios algoritmos de aumento de datos
para mejorar la precisión de validación y clasificación del modelo CNN logrando
una precisión de 94.8% validación notable (Stephen et al., 2019).
12
Chouhan et al. (2020) desarrollaron un nuevo marco de aprendizaje
profundo para detectar neumonía utilizando el aprendizaje por transferencia. Las
características de las imágenes se extraen u sando diferentes modelos de redes
neuronales pre-entrenados en ImageNet, luego se introducen en un clasificador
para la predicción (p. 1). Prepararon cinco modelos diferentes y analizaron su
desempeño. Propusieron un modelo de conjunto que combina los resultados de
los modelos pre-entrenados (Chouhan et al., 2020, p. 1). Esto superaron a los
modelos individuales, alcanzando el desempeño más avanzado en el
reconocimiento de neumonía y una precisión del 96.4% con una recuperación
del 99.62% en el conjunto de datos del Centro Médico de Guangzhou (Chouhan
et al., 2020, p. 1).
Hashmi et al. (2020, p. 1) introdujeron un nuevo enfoque basado en un

clasificador que combina las predicciones ponderadas de los modelos de
aprendizaje profundo de última generación como ResNet18, Xception,
InceptionV3, DenseNet121 y MobileNetV3 de una manera óptima. Es un enfoque
de aprendizaje supervisado en el que la red predice el resultado en funcionalidad
de la calidad del conjunto de datos utilizado. El clasificador ponderado postulado
es capaz de superar a todos los modelos individuales. El modelo de clasificador
ponderado postulado final es capaz de lograr una precisión de prueba con
98.43% y una puntuación de AUC de 99.76 en los datos no se pueden ver del
conjunto de datos de neumonía del Centro Médico de Mujeres y Niños de
Guangzhou (Hashmi et al., 2020, p. 1).
Rahaman et al. (2020) dijeron: la detección instantánea de casos de

Covid-19 es un paso fundamental para luchar contra este virus y liberar la presión
del sistema de salud. Desarrollaron un sistema CAD automatizado para detectar
muestras de coronavirus de casos sanos y con neumonía por medio de
imágenes CXR. Debido a la escasez de datos por COVID-19, se emplearon
técnicas de aprendizaje de transferencia, donde inspeccionaron 15 tipos
modelos CNN pre-entrenados para descubrir el más eficiente. Observaron que
el VGG19 posee mejor precisión de 89.3%, precisión media, recall y F1 de 0.90,
0.89 y 0.90 respectivamente. Este análisis muestra la efectividad de las técnicas
de aprendizaje profundo para la identificación de casos de Covid-19 usando
imágenes CXR.
13
Según Maghdid et al. (2020), la COVID-19 ha demostrado una demanda
de diagnóstico mucho más generalizada, lo que ha llevado a los investigadores
a desarrollar métodos de detección más inteligentes, de alta capacidad de
respuesta y eficientes (p. 1). En este trabajo, Maghdid et al. (2020) enfocaron en
proponer herramientas de inteligencia artificial que puedan ser utilizadas por
radiólogos o profesionales de la salud para diagnosticar casos de COVID -19 de
una manera rápida y precisa (p. 1). Sin embargo, la falta de un conjunto de datos
disponible públicamente de imágenes de rayos X y TC hace que el diseño de
tales herramientas de inteligencia artificial sea una tarea desafiante (Maghdid et
al., 2020).
Maghdid et al. (2020) construyeron un conjunto de datos completo de

imágenes de rayos X e imágenes de tomografía computarizada de múltiples
fuentes, así como también proporciona una técnica de detección de COVID -19
simple pero efectiva utilizando algoritmos de aprendizaje profundo y aprendizaje
por transferencia (p. 3). En este sentido, Maghdid et al. (2020) aplicaron una red
neuronal de convolución simple (CNN) y un modelo AlexNet pre-entrenado
modificado en el conjunto de datos de imágenes de tomografía computarizada y
radiografías preparadas (p. 3). El resultado de los experimentos “muestra que
los modelos utilizados pueden proporcionar una precisión de hasta un 98% a
través de una red previamente entrenada y un 94,1% de precisión mediante el
uso de la CNN modificada” (Maghdid et al., 2020, p. 6).
El Asnaoui et al. (2020) construyeron a partir de un conjunto de datos CXR

y TC de múltiples fuentes y proporcionar una técnica de detección efectiva de
COVID-19. Por ello, El Asnaoui et al. (2020) presentaron una comparación de
arquitecturas de redes neuronales convolucionales profundas para la
clasificación binaria automática de imágenes de neumonía basadas en versiones
de (VGG16, VGG19, DenseNet201, Inception_ResNet_V2, Inception_V3,
Resnet50, MobileNet_V2 y Xception) y un reentrenamiento de una CNN de
referencia. Por consiguiente, El Asnaoui et al. (2020) utilizaron un conjunto de
datos de rayos X y TC de tórax, que contiene 6087 imágenes (4504 neumonía y
1583 normales).
El resultado de los modelos mostró una precisión 98% a través de una red
pre-entrenada y una precisión del 94.1% mediante el uso de la CNN modificada
14
(El Asnaoui et al., 2020). Concluyeron que la versión mejorada de Resnet50
muestra un rendimiento altamente satisfactorio con una tasa de aumento en la
precisión del entrenamiento y las pruebas (más del 96% de precisión) (El
Asnaoui et al., 2020, p. 16).
Hammoudi et al. (2020) dijeron: “la COVID-19 apareció en China y se

propagó causando una pandemia”. Esta enfermedad causa neumonía. Dado que
las infecciones pulmonares se observan a través de imágenes CXR, este artículo
investiga métodos de aprendizaje profundo para analizar automáticamente
imágenes XCR con la esperanza de brindar herramientas de precisión para
profesionales de la salud para detectar y el diagnosticar pacientes confirmados
(Hammoudi et al., 2020, p. 1). Las imágenes de prueba de CXR de pacientes
infectados se diagnosticaron con éxito a través de modelos de detección
retenidos para su desempeño (Hammoudi et al., 2020, p. 1).
El brote de la enfermedad del nuevo coronavirus 2019 la diferencia de

tareas entre el diagnóstico de neumonía típica y COVID-19. Para abordarlos
Zhang et al. (2020) propusieron un nuevo método de adaptación de dominio
profundo para el diagnóstico de COVID-19, llamado COVID-DA.
Específicamente, aliviamos la discrepancia de dominio a través de la adaptación
de características adversas y manejamos el problema de la diferencia de tareas
a través de un novedoso esquema de separación de clasificadores.
Saiz y Barandiaran (2020) desarrollaron un método rápido para detectar

COVID-19 en imágenes CXR de pecho utilizando técnicas de aprendizaje
profundo. Para ello, propusieron una arquitectura de detección de objetos con un
conjunto de datos público disponible compuesto con 1500 imágenes de
pacientes no infectados e infectados con COVID-19 y neumonía. El objetivo
principal del método es clasificar el estado del paciente ya sea negativo o positivo
COVID-19 caso. Los resultados de los experimentos utilizando el modelo
SDD300 lograron un 94.92% de sensibilidad y un 92.00% de especificidad en la
detección de COVID-19, demostrando la utilidad de la aplicación de modelos de
aprendizaje profundo para clasificar COVID-19 en imágenes de rayos X.
Wu et al. (2020) recogieron imágenes de TC de tórax de 495 pacientes de

tres hospitales de China. Los 495 datos se dividieron aleatoriamente en 395
15
casos (80%, 294 COVID-19, 101 otras neumonías) del entrenamiento, 50 casos
(10%, 37 COVID-19, 13 neumonías) de validación y 50 casos (10%, 37 COVID-
19, 13 neumonías) del conjunto de prueba. Entrenaron un modelo de fusión
multivista utilizando una red de Deep Learning utilizando imágenes de TC con
las regiones pulmonares máximas en las vistas axial, coronal y sagital.
Del modelo de fusión de aprendizaje profundo multi vista alcanzó un

(AUC) de 0.732, una precisión de 0.700, una sensibilidad de 0.730 y una
especificidad de 0.615 en el conjunto de validación. En el conjunto de pruebas,
podemos alcanzar un AUC, una precisión, una sensibilidad y una especificidad
de 0.819, 0.760, 0.811 y 0.615. Concluyeron, en el método de aprendizaje
profundo, en el diagnóstico propuesto entrenado en imágenes multi vistas de
imágenes de TC de tórax mostró un gran potencial para mejorar la eficacia del
diagnóstico y mitigar la gran carga de trabajo de los radiólogos para la detección
inicial de la neumonía COVID-19. (Wu et al., 2020)
Xu et al. (2020) desarrollaron un modelo de detección temprana de

neumonía con imágenes TC pulmonar usando deep learning por categorías de
neumonías virales y clasificación con atención por ubicación. Calcularon con la
función ruidosa o bayesiana. Recogieron 618 muestras de TC: 219 de 110
pacientes con COVID-19, 224 muestras de TC de 224 pacientes con neumonía
viral por gripe A y 175 y de TC de personas sanas, de tres hospitales designados
por COVID-19 de la Prov. Zhejiang-China. Mostraron una precisión de 86.7%
desde la perspectiva de los casos de TC en su conjunto. Finalmente, Xu et al.
(2020) concluyeron que los modelos deep learning es eficaz para la detección
temprana de COVID-19. Recomendaron este método de diagnóstico para los
médicos clínicos de primera línea.
Además, Agrawal (2021, p. 1) mencionó: “la neumonía es la principal

causa de muerte en todo el mundo. En promedio, mata a 700.000 niños por año
en promedio y afecta al 7% de la población mundial”. Según Agrawal (2021), esta
condición “se diagnostica principalmente mediante rayos X” (p. 2). Agrawal
(2021) ideó: un nuevo enfoque de aprendizaje profundo basado en el
procesamiento de imágenes para detectar la neumonía utilizando el concepto de
aprendizaje por transferencia y aumento de imágenes (p. 3). Logramos una
16
puntuación de memoria del 97.44% y una precisión del 96.00% (Agrawal, 2021,
p. 7).
A continuación, se muestra las teorías relacionadas a los conceptos de

esta investigación como el algoritmo de transferencia de aprendizaje para el
hacer uso en el diagnóstico preliminar de Neumonía a partir de imágenes de
rayos x de tórax. Fundamentada en diversos modelos teóricos, que están
relacionadas al tema para hacer u so en el diagnóstico preliminar de Neumonía.
Además, se definió los concetos de Identificación de la neumonía. Herring

(2016) dijo: la neumonía es más opaca que el pulmón normal adyacente; sus
márgenes pueden tener un aspecto algodonoso y poco definido, excepto en las
zonas donde contacta con la pleura; tiende a presentar una densidad
homogénea (p. 75); por consiguiente, puede contener broncogramas aéreas, y
puede asociarse a una atelectasia (Herring, 2016, p. 75). Las neumonías pueden
producir varios patrones pulmonares denominados lobar, segmentario,
intersticial, redondo y cavitario (tabla 16).
La radiografía de tórax es esencial para el diagnóstico de neumonía y

ayuda a encontrar la patología en diversas enfermedades. Así pues, Xu, Pope y
Ott (2006) indicaron: “la finalidad de la radiografía de tórax después de la
colocación de un marcapasos es documentar la correcta colocación de los
cables, descartar complicaciones y tener una exploración de base para comparar
con futuras radiografías de tórax” (p. 43).
Además, Xu et al. (2006) añadieron: “Tras elegir el kilovoltaje y el tiempo

de exposición, debe seleccionarse el miliamperaje de modo que los miliamperios
por segundos (el producto del miliamperaje por el tiempo) sean suficientes para
ennegrecer la película de forma adecuada” (p. 21). También, “Si el miliamperaje
necesario está por encima de 200 a 300 mA, normalmente no se puede usar el
foco fino, ya que con este no va a ser posible un miliamperaje tan elevado sin
riesgo de fusión del ánodo” (Xu et al., 2006, p. 21).
La transferencia de aprendizaje (TL) es un método de aprendizaje

automático con la perspectiva de proporcionar una solución mejor y más rápida
con menos esfuerzo para recopilar los datos de entrenamiento necesarios y
reconstruir el modelo (Pan y Yang, 2010). Además de su gran avance en los
17
dominios de clasificación de documentos, habla e imágenes (Dai et al., 2007;
Quattoni et al., 2008; Deng et al., 2013), estudios neurofisiológicos recientes
(Kang et al., 2009; Tu y Sun, 2012; Atyabi et al., 2013; Wu et al., 2013).
También han demostrado la eficacia del TL para mejorar el rendimiento

de la clasificación mediante el uso aprendizaje de los datos, información de otras
personas (Pan y Yang, 2010). Hashmi et al. (2020) mencionaron: “El TL es un
modelo entrenado para una tarea en particular que se emplea como punto de
partida para resolver otra tarea” (p. 4). Por lo tanto, en el aprendizaje de
transferencia, los modelos pre-entrenados se utilizan como punto de partida para
algunas tareas específicas.
Por otra parte, Dunn (2020) señaló: Es un subconjunto del aprendizaje

automático (la capacidad de una máquina para "aprender" con experiencia en
lugar de programación) y parte de la IA siguiendo el modelo de la ciencia del
cerebro. Apropósito de el algoritmo de transferencia de aprendizaje se relaciona
con el aprendizaje profundo, sobre esto Dunn (2020) manifestó: “el aprendizaje
profundo implica alimentar una red neuronal con grandes cantidades de datos
para entrenar a la máquina para la clasificación” (p. 1). Además, “la máquina
recibe un objeto para identificar y lo procesará a través de varias capas de red y
a medida que continúa el proceso, la máquina pasa de capas simples a capas
más complicadas hasta que se llega a una respuesta” (Dunn, 2020, p. 1).
Con referencia a los indicadores teniendo en cuenta que Gordis (2015)

señaló: “La validez de una prueba se define como su capacidad para diferenciar
entre los que tienen una enfermedad y los que no la tienen” (p. 90). La validez
posee dos componentes: sensibilidad y especificidad.
La sensibilidad de la prueba se define como la capacidad de la prueba

para identificar correctamente a quienes tienen la enfermedad (Gordis, 2015, p.
90). La especificidad de la prueba se define como la capacidad de la prueba para
identificar correctamente a los que no tienen la enfermedad (Gordis, 2015, p. 90);
quiere decir, para calcular la sensibilidad y la especificidad de una prueba, se
debe saber quiénes tienen “realmente” la enfermedad de neumonía y quienes no
basándonos en una fuente distinta a la prueba que se está utilizando.
18
La precisión corresponde a la probabilidad condicional de que el paciente
tenga la enfermedad, dado que el test resultó positivo; es decir, la precisión es
la proporción de pacientes con la prueba diagnóstica positiva que efectivamente
tienen la condición (Bravo-Grau y Cruz, 2015, p. 160). Con respecto a la
precisión, en el contexto clínico para el médico puede ser importante la pregunta:
“si los resultados de la prueba son positivos en este paciente, ¿Cuál es la
probabilidad de que dicho paciente tenga la enfermedad?” (Gordis, 2015, p. 100).
Este es el denominado valor predictivo positivo (VPP) o precisión de la prueba
(Gordis, 2015, p. 100).
Con respecto a la exactitud, Gabruseva et al. (2020) mencionaron: “para

que los experimentos y las iteraciones del modelo sean razonablemente rápidos,
hemos considerado arquitecturas con un buen equilibrio entre exactitud y
complejidad /número de parámetros y por tanto, tiempo de entrenamiento” (p. 3).
En física, cada propiedad tiene un valor real; por lo general, ese valor se puede
determinar o al menos estimar mediante alguna forma de medición utilizando
una escala estándar (Renneboog, 2019). Por esta razón la exactitud es la medida
de rendimiento más intuitiva y es simplemente una relación entre la observación
predicha correctamente y el total de observaciones (Renneboog, 2019). A
continuación se muestra las fórmulas de cada uno de los indicadores
mencionados, según Gordis (2015, p. 90):
% Sensibilidad = VP / (VP + FN) x100%

% Especificidad = VN / (VN + FP) x100%
% Precisión = VPP = VP / (VP + FP) x100%
% Exactitud = (VP + VN) / (VP + VN + FP + FN) x100%
Donde:
VP = Verdaderos Positivos
FN = Falsos Negativos
VN = Verdaderos Negativos
FP = Falsos Positivos
VPP = Valor Predictivo Positivo
19
III. MÉTODO
20
En el capítulo se presenta el proceso de una idea planteada en un problema de
investigación cuantitativa. Asimismo, se incluye diferentes estrategias para
esbozar dicho problema y se explica los componentes del planteamiento: tipo y
diseño de investigación, variable de operacionalización, de la investigación.
Además, se explica las técnicas e instrumentos para seleccionar la muestra y
determinar la unidad de muestreo o análisis para delimitar a la población y
precisar el conjunto de procedimientos y actividades que deben realizarse para
medir la variable, las dimensiones y los indicadores e interpretarlos. Al final se
muestra los aspectos éticos de la investigación .
3.1 Tipo y diseño de investigación
El tipo de investigación fue aplicada, el enfoque de investigación fue cuantitativo,

el diseño fue experimental y el tipo de diseño fue pre-experimental. Al respecto,
Hernández y Mendoza (2018) explicaron: “los diseños experimentales manipulan
y prueban tratamientos, estímulos, influencias o intervenciones (denominadas
variables independientes) para observar sus efectos sobre otras variables (las
dependientes) en una situación de control” (p. 152). Por lo tanto, Hernández y
Mendoza (2018) mencionaron: “los diseños experimentales se utilizan cuando el
investigador pretende establecer el posible efecto de una causa que se
manipula” (p. 152).
El diseño de investigación fue pre-experimental. Los diseños pre-

experimentales tienen un grado de control es mínimo (Hernández y Mendoza,
2018, p. 163). Son diseños con un grupo único y existen dos básicos:
1. Estudio de caso con una sola medición .

Según Hernández y Mendoza (2018, p. 163), “consiste en administrar
un estímulo o tratamiento a un grupo y después aplicar una medición
de una o más variables para observar cuál es el nivel del grupo en
ellas”. Este diseño no cumple con los requisitos de un experimento
puro” (Hernández y Mendoza, 2018, p. 163). “No hay manipulación de
la variable independiente o grupos de contraste; ni siquiera el mínimo
de presencia o ausencia. Tampoco hay una referencia previa de cuál
21
era el nivel que tenía el grupo en la o las variables dependientes antes
del estímulo. No es posible establecer causalidad con certeza ni se
controlan las fuentes de invalidación interna” (Hernández y Mendoza,
2018, p. 163).
2. Diseño de pre-prueba / post-prueba con un solo grupo.

Consiste Hernández y Mendoza (2018) mencionaron: “a un grupo se
le aplica una prueba previa al estímulo o tratamiento experimental,
después se le administra el tratamiento y finalmente se le aplica una
prueba posterior al estímulo” (p. 163).
3.2 Variable y operacionalización
La variable fue: “Efecto del algoritmo de diagnóstico preliminar de neumonía a

partir de imágenes radiográficas del tórax”. El algoritmo de transferencia de
aprendizaje permitirá identificar los síntomas o causas a base de las imágenes
del tórax del paciente, a medida que se avance la investigación se aplicará los
criterios: sensibilidad, especificidad, exactitud, precisión y tiempo de diagnóstico
preliminar de neumonía (ver la tabla 14 en el anexo 1).
El concepto para el algoritmo de diagnóstico preliminar para el ámbito de

salud es verificar que la aproximación inicial más útil es lograr fijar el grado de
probabilidad para lograr el incremento. Gordis (2015, p. 90) dijo: “la sensibilidad
es aumentarla para detectar la cantidad de pacientes enfermos”. Asimismo,
Gordis (2015, p. 91) mencionó: “con la especificidad serán consideradas aquellos
que no las padezcan”; es decir, con el aumento del incremento de la
especificidad se logra detectar efectivamente la cantidad de pacientes sanos.
Además, Moreno et al. (2018) dijeron: “la reducción del tiempo de diagnóstico
nos permitirá conocer la rapidez en la detección de enfermedad sobre la base de
los datos clínicos y agregado elemental”; vale decir, reducirá el tiempo de
diagnóstico de la neumonía (ver la tabla 14 en el Anexo 1).
Como se muestra en la tabla 14 del anexo 1, con respecto a la definición

operacional, esto se fundamenta que se aplicará el incremento la sensibilidad
22
para detectar el número de pacientes con neumonía y con la especificidad será
considerado la cantidad de pacientes que no la padezcan .
En cualquier estudio, las variables utilicen deben tener un propósito

definido que se pueda expresar con precisión y deben cumplir con los mismos
estándares de validez que serían de esperar en cualquier otra variable que se
estudie (Gordis, 2015, p. 374). El beneficio potencial de la utilización de la
dimensión en un estudio debe superar claramente cualquier posible perjuicio que
pudiese producirse (ver la tabla 14 en el anexo 1).
3.3 Población muestra y muestreo
3.3.1 Población
La población para este proyecto está dada por 5863 donde hubo 4273 imágenes
de pacientes enfermos y 1583 imágenes de pacientes sanos de radiografía de
tórax para pruebas de pre-diagnóstico con problemas de neumonía. Se analizó
los datos de las imágenes de la Dataset Pneumonia, la que es pública y se
encuentra en la página web www.Kaggle.com (Money, 2018).
Para el conjunto de datos de imágenes validadas de OCT y rayos X de

tórax descritas y analizadas en "Clasificación basada en el aprendizaje profundo
y derivación de enfermedades humanas tratables" (Kermany et al., 2018), las
imágenes se dividen en un conjunto de entrenamiento y un conjunto de pruebas
de pacientes independientes. Las imágenes están etiquetadas como
(enfermedad) (identificación aleatoria del paciente) - (número de imagen de este
paciente) (Kermany et al., 2018).
3.3.2 Muestra y Muestreo
Para la muestra se consideró 684 imágenes para la prueba, 5216 imágenes para
el entrenamiento y 16 imágenes para la validación de las funciones del algoritmo
en la aplicación web. La Dataset cuenta con imágenes radiográficas de tórax que
fueron extraídas de la página web www.Kaggle.com (Money, 2018).
23
En la tabla 1 se presenta la descripción de la Dataset de imágenes
radiográficas de tórax que fueron utilizadas en la aplicación web. Las columnas
indican los siguientes datos: referencia (los sets de etapas de transferencia de
aprendizaje), tipo (pulmones sanos o con neumonía), muestreo (selección de las
muestras), muestras (los subconjuntos de la población) y la población (total de
imágenes radiográficas de tórax de la Dataset). Además, la tabla indica el
número de pacientes enfermos y el número de pacientes sanos.
Tabla 1 Tipo y cantidad de imágenes de rayos x
Con
Referencia Tipo Muestreo Muestras Sano
neumonía
NEUMONIA 390
prueba
Test 684 40
PULMON 234
Dataset NEUMONIA 3875
prueba
Pneumonia Train 5216 5000
PULMON 1341 4280 1583
NEUMONIA 8
Val 16
PULMON 8
Población
Total, de imagen radiográfica
5863
Los criterios de inclusión son las características que deben tener los
posibles participantes para considerar una prueba, y los criterios de exclusión
será para aquellas que no están en condiciones para realizarse la prueba Otzen
y Manterola (2017) dijeron:
Se consideraron características y/o criterios para la inclusión de los

pacientes en la investigación. El muestreo se realizó por conveniencia ya
que “Permite seleccionar aquellos casos accesibles que acepten ser
incluidos. Esto, fundamentado en la conveniente accesibilidad y
proximidad de los sujetos. (p. 230)
En la tabla 2 se señala el criterio de inclusión y exclusión, esto es con la

finalidad de saber si las personas están en condición o no para hacerse una
prueba a través de radiografía de tórax, ya que la radiación puede ser un riesgo
para algunas personas dado que emiten radiación ionizante, la cual puede ser
dañina para el tejido vivo.
24
Tabla 2 Criterios de inclusión y exclusión – Adaptado de Otzen y Manterola (2017, p.
230).
Inclusión:
• Mayores de edad LOTEP (Persona Lucido, Orientado en Tiempo y
Espacio)
• Pacientes con síntomas de Neumonía
• Ambos sexos
Exclusión:
• Diabetes
• Mujeres embarazadas.
• Niños menores a 5 años
3.4 Técnicas e instrumentos de recolección de datos
Se empleó un nivel de confianza del 95% en las pruebas estadísticas utilizadas.

Se usó la validez de contenido como soporte a los elementos de la hoja de
tabulación de datos.
3.5 Procedimientos
A continuación se detalla el procedimiento seguido para la recolección de datos:
Paso 1. Crear identificadores de imagen.
Se lista las imágenes de rayos x de acuerdo a los síntomas con sus respectivos
nombres de los pacientes:
Las imágenes radiográficas de tórax están dadas por:

➢ personas diagnosticadas con neumonía.
➢ Personas con síntomas de neumonía.
➢ personas sanas.
25
Paso 2. Enviar imagen al sistema de predicción
De la lista se selecciona las imágenes a través de la aplicación, se procesa en el

programa y se anota en la nueva lista si el resultado fuera negativo o positivo.
Se muestra el proceso de funcionamiento de la aplicación web, primero como
entrada el usuario arrastra o selecciona mediante la opción archivos cualquier
imagen de la data, luego la aplicación realiza el procedimiento de evaluación
mediante los algoritmos de transferencia de aprendizaje, finalmente como salida
se ejecuta el resultado.
En la figura 1 se muestra el modelo del diseño de transferencia de

aprendizaje donde primero tenemos las imágenes guardadas en archivos o
carpetas y para el procesamiento de esta se arrastran cada una, después el
algoritmo procesará luego que le ejecutemos y como salida nos mostrará el
resultado positivo o negativo y además de esto obtendremos la sensibilidad,
especificidad, exactitud y el tiempo en milisegundos que son necesarios para el
análisis de los indicadores de la variable.
N1 RESULTADO
NEGATIVO
% Sensibilidad
N2 % Especificidad
Ejecuta la
% Exactitud
siguiente salida
Se Tiempo (ms)
N3 arrastra
RESULTADO
. POSITIVO
. El algoritmo de transferencia de % Sensibilidad
. aprendizaje procesa la imagen % Especificidad
% Exactitud
Tiempo (ms)
Nn
Figura 1. Modelo de diseño de transferencia de aprendizaje
El resultado de esta prueba se llenará en una tabla conteo, para

posteriormente realizar la prueba de incremento de porcentaje de sensibilidad,
incremento de porcentaje de especificidad y reducción de tiempo.
26
Paso 3. Para llenar la tabla se consideran:
Para poder obtener la probabilidad y clasificar correctamente si el resultado es

positivo o negativo se seleccionan las imágenes de los resultados que fueron
procesados con el sistema considerando los siguientes:
▪ Verdaderos Positivos (VP): las imágenes que son test positivo y

tengan los síntomas de neumonía.
▪ Falsos Negativos (FN): las imágenes que son de test negativo y

presentan los síntomas de neumonía.
▪ Verdaderos Negativos (VN): las imágenes que son de test negativo y

no presentan los síntomas de neumonía.
▪ Falsos Positivos (FP): las imágenes que son de test positivo y

presentan los síntomas de neumonía.
En la tabla 3 se muestra las listas de las imágenes que fueron evaluadas

con la aplicación y que fueron ubicadas según el diagnóstico en las columnas
(VP, FN, FP y VN). Finalmente, se evaluó mediante una matriz de confusión y se
mostró el desempeño del algoritmo de diagnóstico preliminar de neumonía.
Tabla 3 Lista de imágenes etiquetadas

Nº Nombre VP FN FP VN
1 Imagen 1 (1, 1)
2 Imagen 2 (1, 0)
3 Imagen 3 (1, 1) (0, 1)
4 Imagen 4 (0, 0)
5 Imagen 5 (0, 0)
6 Imagen 6 (1, 0)
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
. . . . . .
n Imagen (n) . . . .
Total n(VP) n(FN) n(FP) n(VN)
27
Paso 4. Para obtener la sensibilidad y especificidad, precisión y exactitud
Se usará una matriz de confusión porque es una herramienta que permite la

visualización, eficacia y desempeño del algoritmo. En la tabla 4 se muestra la
matriz de confusión que permite calcular los indicadores del porcentaje de
sensibilidad, especificidad, precisión y exactitud donde las filas muestran las
pruebas de diagnóstico (positivo y negativo) y las columnas describen a los
pacientes (sanos y enfermos) y la intersección de ambos (fila y columna) serán
VP: Verdaderos Positivos, VN: Verdaderos Negativos, FP: Falsos Positivos y FN:
Falsos Negativos; además, se colocó “1” para personas con neumonía o
positivos y “0” para personas sin neumonía o negativos.
Tabla 4 Matriz de confusión - Permite calcular el porcentaje de los indicadores,

sensibilidad, especificidad, precisión y exactitud (Gordis,2015)
RESULTADO
PACIENTES PACIENTES TOTAL (%)
ENFERMOS (1) SANOS (0)
PRUEBA
TEST POSITIVO (1) 𝑉𝑃
VP (1, 1) FP (0, 1) %VPP = (𝑉𝑃+𝐹𝑃)𝑥100%
TEST NEGATIVO (0) 𝐹𝑁

FN (1, 0) VN (0, 0) %VPN = (𝐹𝑁+𝐹𝑃)𝑥100%
Total (%) %𝑆𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 %𝐸𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑖𝑑𝑎𝑑

𝑉𝑃 𝑉𝑁 𝑉𝑃+𝑉𝑁
%ACC=(𝑉𝑃+𝐹𝑃+𝐹𝑃+𝑉𝑁) 𝑥100%
=( )𝑥100% =( )𝑥100%
𝐹𝑃 + 𝑉𝑃 𝐹𝑃 + 𝑉𝑁
Paso 5. Fórmula para registrar los incrementos con respecto a los

resultados de los anteriores con el valor que muestra la tabla
1. Realizar operación de incremento de sensibilidad
𝑺𝟏 − 𝑺𝟎
%𝑰𝒏𝒄𝒓𝒆𝒎𝒆𝒏𝒕𝒐 𝒅𝒆 𝒔𝒆𝒏𝒔𝒊𝒃𝒊𝒍𝒊𝒅𝒂𝒅 = ( )𝒙𝟏𝟎𝟎%
𝑺𝟎
2. Realizar operación de incremento de especificidad
𝑬𝟏 − 𝑬𝟎
%𝑰𝒏𝒄𝒓𝒆𝒎𝒆𝒏𝒕𝒐 𝒅𝒆 𝑬𝒔𝒑𝒆𝒄𝒊𝒇𝒊𝒄𝒊𝒅𝒂𝒅 = ( )𝒙𝟏𝟎𝟎%
𝑬𝟎
3. Realizar la operación incremento de precisión (VPP)
𝑽𝑷𝑷𝟏 − 𝑽𝑷𝑷𝟎
%𝑰𝒏𝒄𝒓𝒆𝒎𝒆𝒏𝒕𝒐 𝒅𝒆 𝑽𝑷𝑷 = ( )𝒙𝟏𝟎𝟎%
𝑽𝑷𝑷𝟎
28
4. Realizar la operación exactitud (Accuracy)
𝑨𝑪𝑪𝟏 − 𝑨𝑪𝑪𝟎
%𝑰𝒏𝒄𝒓𝒆𝒎𝒆𝒏𝒕𝒐𝑨𝑪𝑪 = ( )𝒙𝟏𝟎𝟎%
𝑨𝑪𝑪𝟎
5. Analizar la operación reducción de tiempo

𝒕𝒊𝒆𝒎𝒑𝒐 𝒇𝒊𝒏𝒂𝒍 − 𝒕𝒊𝒆𝒎𝒑𝒐 𝒊𝒏𝒊𝒄𝒊𝒂𝒍
%𝑹𝒆𝒅𝒖𝒄𝒄𝒊𝒐𝒏 𝒅𝒆 𝑻𝒊𝒆𝒎𝒑𝒐 = ( )𝒙𝟏𝟎𝟎%
𝒕𝒊𝒆𝒎𝒑𝒐 𝒊𝒏𝒊𝒄𝒊𝒂𝒍
3.6 Método de análisis de datos
La información obtenida de la aplicación fue insertada en las tablas mostradas y

se aplicó las fórmulas para medir las variaciones de la sensibilidad, especificidad,
precisión, exactitud y tiempo de diagnóstico con respecto al algoritmo Resnet50,
el que fue considerado por tener los mejores resultados en la literatura revisada.
Se usó la misma aplicación para los cálculos de los indicadores e la
investigación, los que fueron tabulados en MS Excel.
3.7 Aspectos éticos
Con el avance de la tecnología, existen diferentes campos que el hombre olvida

los principios y valores. Al respecto, Morales, Nava, Esquivel y Díaz (2011)
describieron: “no se debe olvidar que un investigador antes de ser hombre de
ciencia, es una persona que cuenta con una formación ética y moral, la cual ha
ido adquiriendo a lo largo de su vida” (p. 25). Por lo tanto, basándonos en los
valores y ética, la aplicación web busca mejorar el procedimiento para el
diagnóstico preliminar de la neumonía, trayendo un beneficio en cuanto al pre-
diagnóstico y para el estado de salud del paciente.
Este trabajo de investigación se basó en el respeto para “identificar

correctamente y elaborar las referencias bibliográficas correspondientes a
distintos tipos de documentos, de acuerdo a la Norma ISO 690:2010” (Alicante,
2008, p. 2). Además, se respetó el artículo 29 del Código de Ética del CIP para
contribuir al estricto cumplimiento de sus obligaciones, a la cabal entrega de sus
conocimientos y al proceder honrado donde sea requerido profesionalmente; del
inciso C, por ninguna razón pondrán sus conocimientos al servicio de todo
aquello que afecta la paz y la salud (CIP, 2018, p. 7).
29
Asimismo, esta investigación se acogió a los principios de ética en
investigación mencionado en el artículo 4 del Código de Ética de Investigación
de la Universidad César Vallejo, ya que esta investigación se orientó a buscar el
bienestar de las personas (Universidad César Vallejo, 2017). También se
cumplió con el artículo 9, ya que se cumplió estrictamente con los requisitos
éticos, legales y de seguridad y además se cumplió con el artículo 16, ya que se
respetó los derechos de autor citando a las fuentes utilizadas para la
investigación (Universidad César Vallejo, 2017).
Asimismo, con este trabajo no se hizo daño y de esta manera se respetó

el principio de no-maleficencia que hace referencia a la obligación de no infringir
daño intencionadamente (Siurana, 2010, p. 124). De esta manera, se contribuyó
al bienestar, gracias al algoritmo de diagnóstico preliminar de neumonía a partir
de imágenes radiográficas de tórax. Al respecto, Siurana (2010) dijo: “la
beneficencia incluye siempre la acción” (p. 125).
30
IV. RESULTADOS
31
En este capítulo se detalla los resultados obtenidos de la investigación haciendo
uso de los indicadores del algoritmo de diagnóstico preliminar de neumonía a
partir de imágenes radiográficas de tórax mostrando lo siguiente: “porcentaje de
incremento de la sensibilidad”, “porcentaje de incremento de la especificidad “,
“el porcentaje de la exactitud”, “el porcentaje de la precisión” y “la reducción de
tiempo de diagnóstico”. Se analizó los resultados del procesamiento de las
imágenes de rayos x torácicas del DataSet-Pneumonia pública que fueron
obtenidos de las muestras de cada indicador (tanto para el pre - test y el post-
test) con el algoritmo de transferencia de aprendizaje.
4.1 Cálculo de los indicadores
El escenario ideal que se quiere es que el modelo dé 0 falsos positivos y 0 falsos

negativos, pero ese no es el caso en la vida real, ya que cualquier modelo no
será al 100% preciso en la mayoría de los casos (Gordis, 2015, p. 101). A
continuación, se muestra los resultados de las pruebas para los indicadores con
el algoritmo de transferencia de aprendizaje en la aplicación web. Esta prueba
se realizó con 620, 2381 y 5040 imágenes.
4.1.1 Cálculo de los indicadores con 620 imágenes

En la tabla 5 se aprecia la prueba con 620 imágenes de la Data-Set donde indica
de 387 con enfermos VP: 336, FP: 51 y de 233 sanos FN: 32 y VN:201; luego de
realizar la evaluación con la aplicación web la matriz de confusión nos mostró el
resultado con precisión de 368 personas con neumonía y 252 sin neumonía.
También la tabla de matriz de confusión nos indica los porcentajes de la
sensibilidad, especificidad, precisión y exactitud.

tórax
Predicción
Enf ermedad Sano total prueba de

funcionamiento
Actual
positivo 336 32 368 0.91304348 neumonía

negativo 51 201 252 0.79761905 sin neumonía
total 387 233 620

prueba de
0.868217054 0.862661
laboratorio 0.86612903
32
Donde:
Del análisis tenemos los siguientes resultados:
▪ % Sensibilidad = 86.82%
▪ % Especificidad = 86.26%
▪ % Exactitud = 86.61%
▪ % Precisión / VPP = 91.30%
▪ % VPN = 79.76%
En la tabla 6 se aprecia la prueba con 2381 imágenes de la Data-Set donde

indica de 387 con enfermos VP: 1137, FP: 239 y de 1005 sanos FN: 46 y VN:959;
luego de realizar la evaluación con la aplicación web la matriz de confusión nos
mostró el resultado con precisión de 1183 personas con neumonía y 1198 sin
neumonía. También la tabla de matriz de confusión nos indica los porcentajes de
la sensibilidad, especificidad, precisión y exactitud.

tórax
Predicción
prueba de
Enfermo Sano total
funcionamiento
Actual
Positivo 1137 46 1183 0.96111581 neumonía

Negativo 239 959 1198 0.80050083 sin neumonía
total 1376 1005 2381
prueba de
0.82630814 0.95422886
laboratorio 0.88030239
Donde:
Del análisis tenemos los siguientes resultados:
▪ % Precisión / VPP = 96.11%
33
▪ % VPN = 80.05%
En la tabla 7 se aprecia la prueba con 5040 imágenes de la Data-Set donde

indica de 3530 con enfermos VP: 3374, FP: 156 y de 1510 sanos FN: 51 y
VN:1459; luego de realizar la evaluación con la aplicación web la matriz de
confusión nos mostró el resultado con precisión de 3425 personas con neumonía
y 1615 sin neumonía. También la tabla de matriz de confusión nos indica los
porcentajes de la sensibilidad, especificidad, precisión y exactitud.

tórax
Predicción
prueba de
Enf ermo sano total
funcionamiento
Actual
positivo 3374 51 3425 0.98510949 neumonía

negativo 156 1459 1615 0.90340557 sin neumonía
total 3530 1510 5040
prueba de 0.95892857
0.955807365 0.966225166
laboratorio
Donde:
Tenemos los siguientes resultados:
▪ % Precisión (VPP) = 98.51%
▪ % VPN = 90.34%
34
4.2 Resultados de los cálculos de los indicadores con el algoritmo de
transferencia de aprendizaje
En la tabla 8 se muestra los registros obtenidos. En la primera columna se

muestra el número que identifica a la imagen de rayos x de tórax de un paciente,
aquellos que se considera en la investigación, se indica aquellas imágenes que
fueron considerados por los radiólogos neumólogos al manifestar rasgos de
neumonía, en la segunda columna VP (personas enfermas con neumonía), en la
tercera columna VN (personas sanas), en la cuarta columna FN (personas con
síntomas de neumonía) y en la quinta columna FP (personas que aparentan
estar sanas).
En la tabla 8 se muestra el porcentaje de los valores de los indicadores

de sensibilidad, especificidad, exactitud y precisión analizados para 620, 2381 y
5040 imágenes de rayos x de la DataSet. También se observa los VP que antes
y después de la prueba son positivas (1, 1), los VN que antes y después de la
prueba son negativas (0, 0), los FN que son los que antes de la prueba son
positivas, pero con la prueba se hacen negativas (1, 0) y finalmente tenemos el
FP que son negativos antes de la prueba y que luego son positivos (0, 1).
Tabla 8 Resultados de tres pruebas de los de los indicadores con la aplicación web
Cantidad VP VN FN FP EXACTITUD PRECISIÓN SENSIBLIDAD ESPECIFICIDAD
620 336 201 51 32 86.61% 91.30% 86.82% 86.27%
2381 1137 959 239 46 88.03% 96.11% 82.63% 95.42%
5040 3366 1419 200 55 95.89% 98.51% 95.58% 96.62%
4.3 Análisis del diseño pre-experimental
Debido a que la investigación fue pre-experimental, se utilizan datos antes de la

implementación del sistema pre-prueba y después que el sistema fue
implementado y puesto en marcha post-prueba. Se está tomando como
35
referencia a los valores obtenidos del algoritmo Resnet50 (El Asnaoui et al.,
2020), tal como se aprecia en la tabla 9.
Pre-prueba
Hasta ahora se pueden observar resultados de los valores actuales. En la Tabla

11. Se observa la prueba más alta encontrada para el proyecto sensibilidad de
94.92%, la especificidad de 98.43%, la exactitud de 96.61% y precisión de
98.49% aplicados con Resnet50 aplicadas a 3458 imágenes de radiografía
torácicas.
En la tabla 9 se muestran los porcentajes de los resultados de sensibilidad

especificidad, precisión y exactitu d con diferentes modelos con algoritmos de
Deep Learning redes neuronales y transferencia de aprendizaje, para calcular
los porcentajes de incrementos de la aplicación web dado se comparó con el
ultimo red conocido como Red Neuronal Residual versión 50 (Resnet50) de El
Asnaoui.
Tabla 9 Resultado de los valores antes de la prueba con la aplicación web para
3458 imágenes (El Asnaoui et al., 2020)
TP TN FN FP Accuracy Sensitivity Specificity Precision F1 score

(%) (%) (%) (%) (%)
CNN 16341277 452 95 84.18 78.33 93.07 94.05 85.66
VGG16 15171466 263 212 86.26 85.22 87.36 87.73 86.46
VGG19 13901582 147 339 85.94 90.43 82.35 80.39 85.11
Inception_V3 16211650 79 108 94.59 95.35 93.85 93.75 94.54
Xception 16561219 510 73 83.14 76.45 94.34 95.77 8503
DensNet201 17121527 202 17 93.66 89.44 98.89 99.01 93.98
MobileNet_V 16961634 95 33 96.27 94.61 98.02 98.06 96.30
2
Inception_ 17051618 111 24 96.09 93.88 98.53 98.61 96.19
Resnet_V2
Resnet50 17031638 91 26 96.61 94.92 98.43 98.49 96.67
36
Post-prueba
Se realizó el diagnóstico de la post-prueba para responder las hipótesis de la

investigación y para ello se tomó 5040 imágenes de tórax, cuyos resultados se
muestran en la Tabla 10. Los resultados fueron calculados en el código fuente
del algoritmo de transferencia de aprendizaje de la aplicación web desarrollada
para el proyecto.
En la tabla 10 se muestra los porcentajes obtenidas para 5040 imágenes

y que luego servirá como análisis para los incrementos de cada indicador con
respecto a los porcentajes anteriores. La tabla indica el % sensibilidad de
95.58%, el % especificidad de 96.62%, un % exactitud de 95.89% y % precisión
o (VPP) de 98.51%.
Tabla 10 Resultados de los indicadores para la post-prueba de hipótesis
Cantidad VP VN FN FP EXACTITUD PRECISIÓN SENSIBLIDAD ESPECIFICIDAD
5040 3366 1419 200 55 95.89% 98.51% 95.58% 96.62%
La tabla 11 detalla la comparativa de los porcentajes de los indicadores

de sensibilidad, especificidad, precisión y exactitud entre algoritmo de
transferencia de aprendizaje con el algoritmo Resnet50. Del mismo modo se hizo
la comparación de los tiempos de procesamiento por imagen entre el algoritmo
de transferencia de aprendizaje y RNN.
Tabla 11: Comparación de los resultados entre los indicadores del algoritmo el
algoritmo de transferencia de aprendizaje, Resnet50 y RNN.
Indicador Resnet50 Algoritmo de transferencia

de aprendizaje
Sensibilidad 94.92 % 95.58%
Especificidad 98.43 % 96.62%
Exactitud 96.61 % 95.89%
Precisión 98.49 % 98.51%
Indicador RNN Algoritmo de transferencia
de aprendizaje
Tiempo 8.65 ms 1.85 ms
37
4.4 Prueba de hipótesis
A continuación, se muestra las pruebas de hipótesis para cada una de las cinco
hipótesis de la investigación realizada.
HE10: El uso de un algoritmo de transferencia de aprendizaje a partir de

imágenes radiográficas de tórax no incrementó la sensibilidad en el diagnostico
preliminar de la neumonía.

imágenes radiográficas de tórax incrementó la sensibilidad en el diagnostico
preliminar de la neumonía.
Luego de la evaluación de la variación de la sensibilidad de la post-prueba

con respecto a la pre-prueba resultó como sigue:
(𝟗𝟓. 𝟓𝟖 − 𝟗𝟒. 𝟗𝟐)

%𝑽𝒂𝒓𝒊𝒂𝒄𝒊ó𝒏 𝒅𝒆 𝑺𝒆𝒏𝒔𝒊𝒃𝒊𝒍𝒊𝒅𝒂𝒅 = 𝒙𝟏𝟎𝟎% = 𝟎. 𝟔𝟗%
𝟗𝟒. 𝟗𝟐
Si hubo incremento de sensibilidad, dado que resultó un valor positivo de

0.69%; por lo tanto, se acepta la hipótesis alternativa y se rechaza la hipótesis
nula.

imágenes radiográficas de tórax no aumentó el porcentaje de incremento de la
especificidad en el diagnostico preliminar de la neumonía .

imágenes radiográficas de tórax aumentó el porcentaje de incrementó de la
especificidad en el diagnostico preliminar de la neumonía .
Luego de la evaluación de la variación de la especificidad de la post-

prueba con respecto a la pre-prueba resultó como sigue:
(𝟗𝟔. 𝟔𝟐 − 𝟗𝟖. 𝟒𝟑)

% 𝑽𝒂𝒓𝒊𝒂𝒄𝒊ó𝒏 𝒅𝒆 𝒍𝒂 𝑬𝒔𝒑𝒆𝒄𝒊𝒇𝒊𝒄𝒊𝒅𝒂𝒅 = 𝒙𝟏𝟎𝟎% = −𝟏. 𝟖𝟑%
𝟗𝟖. 𝟒𝟑
38
No hubo incremento de la especificidad, dado que resultó un valor
negativo de -1.83%; por lo tanto, se rechaza la hipótesis alternativa y se acepta
la hipótesis nula.

imágenes radiográficas de tórax no incrementó el porcentaje de la exactitud en
el diagnostico preliminar de neumonía .

imágenes radiográficas de tórax incrementó el porcentaje de la exactitud en el
diagnostico preliminar de neumonía .
Luego de la evaluación de la variación de la exactitud de la post-prueba

(𝟗𝟓. 𝟖𝟗 − 𝟗𝟔. 𝟔𝟏)

%𝑽𝒂𝒓𝒊𝒂𝒄𝒊ó𝒏 𝒅𝒆 𝑬𝒙𝒂𝒄𝒕𝒊𝒕𝒖𝒅 = 𝒙𝟏𝟎𝟎% = −𝟎. 𝟕𝟒%
𝟗𝟔. 𝟔𝟏
No hubo incremento de exactitud, dado que resultó un valor negativo de -

0.74%; por lo tanto, se rechaza la hipótesis alternativa y se acepta la hipótesis
nula.

imágenes radiográficas de tórax no aumentó el porcentaje la precisión
diagnóstica preliminar de la neumonía a partir de imágenes radiográficas de
tórax.

imágenes radiográficas de tórax aumentó el porcentaje la precisión diagnóstica
preliminar de la neumonía a partir de imágenes radiográficas de tórax.
Luego de la evaluación de la variación de la precisión de la post-prueba

39
(𝟗𝟖. 𝟓𝟏 − 𝟗𝟖, 𝟒𝟗)
%𝑽𝒂𝒓𝒊𝒂𝒄𝒊ó𝒏 𝒅𝒆 𝒑𝒓𝒆𝒄𝒊𝒔𝒊𝒐𝒏 (𝑽𝑷𝑷) = 𝒙𝟏𝟎𝟎% = 𝟎. 𝟎𝟐%
𝟗𝟖. 𝟒𝟗
Si hubo incremento de la precisión, dado que resultó un valor positivo de

0.02%; por lo tanto, se acepta la hipótesis alternativa y se rechaza la hipótesis
nula.

imágenes radiográficas de tórax no redu jo el tiempo en el diagnostico preliminar
de la neumonía a partir de imágenes de radiográficas de tórax.

imágenes radiográficas de tórax redujo el tiempo en el diagnostico preliminar de
la neumonía a partir de imágenes de radiográficas de tórax.
El tiempo de diagnóstico para 100 imágenes de rayos x de 50 personas

con neumonía y 50 normales se estimó un tiempo de 185 milisegundos que es
equivalente a 1.85 milisegundos para cada imagen. Para la reducción de tiempo
se comparó con; Delhi (2017) quien uso RNN con Keras para 624 imágenes le
resultó 5.4 segundos, por cada imagen saliendo un 8.65 milisegundo por cada
imagen.
𝟖. 𝟔𝟓 − 𝟏. 𝟖𝟓
%𝑹𝒆𝒅𝒖𝒄𝒄𝒊𝒐𝒏 𝒅𝒆 𝒕𝒊𝒆𝒎𝒑𝒐 = ( ) 𝒙𝟏𝟎𝟎% = 𝟕𝟖. 𝟔𝟏%
𝟖. 𝟔𝟓
Si hubo una reducción de tiempo de 78.61%; por lo tanto, se aceptó la

hipótesis alternativa y se rechazó la hipótesis nula.
Resultados de los Incrementos para los indicadores
En la tabla 12 se indica los porcentajes del incremento de cada indicador, los

porcentajes positivos me indican que aceptan las hipótesis y los negativos se
niega la hipótesis, lo contrario sucede con el tiempo, se acepta el porcentaje
negativo y se niega el positivo.
40
Tabla 12 Resultados de los incrementos de cada indicador
Incremento de Incremento de Incremento de Incremento de Reducción de

Exactitud Precisión Sensibilidad Especificidad tiempo
-0.74% 0.02% 0.69% -1.83% 78.61%
Hipótesis general
HG0: El uso de un algoritmo de transferencia de aprendizaje no incrementó la

sensibilidad, la especificidad, la exactitud, ni la precisión y no redujo el tiempo en
el diagnóstico preliminar de neumonía a partir de imágenes radiográficas de
tórax.
HG1: El uso de un algoritmo de transferencia de aprendizaje incrementó la

sensibilidad, la especificidad, la exactitud y la precisión y redujo el tiempo en el
diagnóstico preliminar de neumonía a partir de imágenes radiográficas de tórax.
Luego de la revisión de las hipótesis específicas HE1, HE2, HE3, HE4 y

HE5 se puede apreciar que solo se aceptó las hipótesis HE1, H4 y HE5, por lo
tanto, no se aceptó la hipótesis general.
4.5 Resumen de la comprobación de la hipótesis
En la tabla 13 se muestra el resumen de los resultados de comprobación para

las hipótesis de los indicadores donde las columnas indican los códigos que
hacen referencia a cada hipótesis, la segunda columna se define el resultado de
cada indicador y finalmente la tercera columna indica si la hipótesis fue aceptada
o rechazada.
41
Tabla 13 Resumen de resultados de los indicadores en la comprobación de
hipótesis
Cod. Hipótesis Resultado de la prueba Resultado final
de hipótesis (Aceptada o rechazada)
H1 El uso de un algoritmo de Si hubo incremento de Aceptada
transf erencia de aprendizaje a sensibilidad, dado que
partir de imágenes resultó un valor positivo
radiográf icas de tórax de 0.69%; por lo tanto,
incrementó la sensibilidad en se acepta la hipótesis
el diagnostico preliminar de la alternativa y se rechaza
neumonía. la hipótesis nula.
H2 El uso de un algoritmo de No hubo incremento de Rechazada
transf erencia de aprendizaje a la especif icidad, dado
partir de imágenes que resultó un valor
radiográf icas de tórax negativo de -1.83%; por
aumentó el porcentaje de lo tanto, se rechaza la
incrementó de la especif icidad hipótesis alternativa y
en el diagnostico preliminar de se acepta la hipótesis
la neumonía. nula.
H3 El uso de un algoritmo de No hubo incremento de Rechazada
transf erencia de aprendizaje a exactitud, dado que
partir de imágenes resultó un valor
radiográf icas de tórax negativo de -0.74%; por
incrementó el porcentaje de la lo tanto, se rechaza la
exactitud en el diagnostico hipótesis alternativa y
preliminar de neumonía. se acepta la hipótesis
nula.
H4 El uso de un algoritmo de Sí hubo incremento de Aceptada
transf erencia de aprendizaje a la precisión, dado que
partir de imágenes resultó un valor positivo
radiográf icas de tórax de 0.02%; por lo tanto,
aumentó el porcentaje la se acepta la hipótesis
precisión diagnóstica alternativa y se rechaza
preliminar de la neumonía a la hipótesis nula.
partir de imágenes
radiográf icas de tórax.
H5 El uso de un algoritmo de Si hubo una reducción Aceptada
transf erencia de aprendizaje a de tiempo dado que
partir de imágenes resultó 78.61% por lo
radiográf icas de tórax redujo el tanto se acepta la
tiempo en el diagnostico hipótesis alternativa y
preliminar de la neumonía a se niega la hipótesis
partir de imágenes de nula.
radiográf icas de tórax.
HG El uso de un algoritmo de Luego de la revisión de Rechazada
transf erencia de aprendizaje las hipótesis
incrementó la sensibilidad, la específ icas HE 1, HE2,
especif icidad, la exactitud y la HE3, HE4 y HE5 se
precisión y redujo el tiempo en puede apreciar que solo
el diagnóstico preliminar de se aceptó las hipótesis
neumonía a partir de HE1, H4 y la HE5, por
imágenes radiográf icas de lo tanto, no se acepta la
tórax. hipótesis general.
42
V. DISCUSIÓN
43
En general el algoritmo de transferencia de aprendizaje tuvo resultados positivos,
ya que se logró superar el objetivo del porcentaje para los indicadores en las
pruebas que se realizaron con las cantidades de imágenes siguientes de la
datasets-pneumonia: en primer lugar, se realizó la prueba con 620 imágenes los
cual se obtuvo una sensibilidad de 86.27%, especificad de 86.27%, precisión de
91.30% y exactitud de 86.61%. En segundo lugar, se realizó la prueba para 2381
imágenes y se obtuvo una sensibilidad de 82.63%, especificad de 95.42%,
precisión de 96.11% y exactitud de 88.03%. Por último, se realizó la prueba con
5040 los cueles se obtuvieron una sensibilidad de 95.58%, especificad de
96.62%, precisión de 98.51% y exactitud de 95.89%. También se analizó el
tiempo de diagnóstico y el resultado fue 1.85 milisegundos en procesar cada
imagen.
Con estos resultados se demostró que los indicadores en el sistema

muestran mayor eficacia de sensibilidad, especificidad, precisión y exactitud
cuando es mayor la cantidad de imágenes que se procesan . A continuación,
estos resultados se compararon con otros modelos de trabajos similares para
cada indicador.
Con un valor de sensibilidad de 95.58%, este resultado fue menor que el

resultado de Chouhan et al. (2020), quienes realizaron su prueba con diferentes
modelos de pre-entrenamientos de CNN obteniendo una sensibilidad de 99.6%.
El resultado de Chouhan et al. (2020) fue mayor que el logrado en esta
investigación gracias al tipo de equipos que empleó, ya que en el caso de uso
del algoritmo AlexNet se necesita equipos con alta gama y una tarjeta gráfica de
alta potencia. Por el contrario, la sensibilidad de 94.39% de la aplicación web fue
mayor a los resultados obtenidos por Kermany et al. (2019), quienes utilizaron la
técnica de InceptionV3 y modelos CNN pre-entrenados para 5232 imágenes y
obtuvieron una sensibilidad de 93.2%.
Asimismo, la sensibilidad de 95.58% de esta investigación fue mayor a la

obtenida en el estudio de Ayan et al. (2019), quienes obtuvieron una sensibilidad
de 89.1% con la técnica de Vgg16 Deep Learning Model. porque se empleó la
44
librería Keras dentro de Tensorflow para facilitar un proceso de experimentación
rápida y con precisión.
La especificidad del algoritmo de transferencia de aprendizaje en esta

investigación fue de 96.62% y se realizó la comparativa con trabajos similares,
el resultado fue mayor al estudio realizado por Kermany et al. (2018), quien
obtuvo una especificidad de 90.1%. Asimismo, fue mayor al trabajo realizado por
Rahman et al. (2020), quien le resulto un valor de 95% quienes usaron Resnet y
al otro resultado de 92.6% con el algoritmo de Alexnet para su modelo. Por el
contrario, la especificidad con un valor de 96.62%, fue menor a las
investigaciones realizadas por El Asnaoui et al. (2020), quien obtuvo 98.43% de
especificidad con ResNet50. Se usó Tensorflow, ya que es una plataforma que
permite construir y entrenar CNN y esto se podría mejorar, aumentando el
tamaño del conjunto de datos.
La exactitud de 95.89% obtenida en esta investigación fue menor a la

obtenida en el estudio de El Asnaoui et al. (2020), quienes obtuvieron una
exactitud de 96.61% quienes usaron MovileNetv3 que es una red neuronal
convolucional diseñada para CPU de teléfonos móviles. Sin embargo, la
exactitud de esta investigación fue mayor que la exactitud de 95.89% obtenida
en el estudio de Saraiva et al. (2019), quienes usaron la técnica de Neural
Network. Asimismo, fue mayor al resultado del estudio de Ayan et al. (2019),
quienes obtuvieron una exactitud de 84.5% haciendo el uso de Vgg16 deep
learning model. No se logró superar al resultado de exactitud de 96.39% que
obtuvieron Chouhan et al. (2020), quienes usaron un modelo pre-entrenado de
CNN.
La precisión obtenida en esta investigación fue 98.51%, siendo mayor al

resultado del estudio de Togacar et al. (2018), quienes emplearon el Deep
Learning y obtuvieron un resultado de precisión de predicción del 84%. También
fue mayor que los resultados de O’Quinn, Haddad y Moore (2019), quienes
obtuvieron una precisión de diagnóstico preliminar de 72% con las redes
neuronales convolucionales. Asimismo, superó a los resultados de Islam et al.
(2019), quienes obtuvieron una precisión de predicción de 97.34% con modelos
45
pre-entrenados con AlexNet, ResNet18, DenseNet201 y SqueezeNet. Para los
resultados de la precisión se empleó librerías Tensorlfow + Keras, ya que
permiten clasificar e identificar los tipos y características de los píxeles de las
imágenes que se requiere con eficiencia.
El tiempo de diagnóstico para 100 imágenes de rayos x de 50 personas

con neumonía y 50 normales se estimó un tiempo de 1.85 milisegundos por
imagen, el que fue menor al tiempo del estudio de Dehli (2017), quien obtuvo un
tiempo de 8.65 milisegundos por cada imagen en promedio, porque usó CNN
keras, ya que ahora está librería trabaja mejor con Tensorflow.
Por último, la sensibilidad de 95.58% fue menor a 99.6%, la que fue

obtenida con modelos de CNN pre-entrenados de Chouhan et al. (2020), fue
mayor al 93.2% obtenido con InceptionV3 por Kermany et al. (2019) y fue mayor
al 89.1% obtenida con Vgg16 por Ayan et al. (2019). La especificidad de 96.62%
fue mayor al 90.1% obtenido con modelos de CNN inception de Kermany et al.
(2018) y fue mayor al 95% obtenido con ResNet, por Rahman et al. (2020). La
exactitud de 95.89% fue mayor al 94.4% obtenido con CNNs de Saraiva et al.
(2019), fue mayor al 84.5% obtenido con Vgg16 por Ayan et al. (2019), fue menor
al 96.30% obtenido con modelos CNN pre-entrenados por Chouhan et al. (2020)
y fue menor al 96.61% obtenido con modelos de MovileNetv3 por El Asnaoui et
al. (2020).
La precisión de 98.39% fue mayor al 84% lo que fue obtenida con modelos
de Deep Learning de Togacar et al. (2018), fue mayor al 72% obtenido con CNN
por O’Quinn, Haddad y Moore (2019) y fue mayor al 97.34% obtenido con
modelos pre-entrenados AlexNet, ResNet18, DenseNet201 y SqueezeNet, por
Islam et al. (2019). El tiempo de diagnóstico de 1.85 ms fue menor a 8.65 ms, la
que fue obtenida con el algoritmo RNN por Dehli (2017).
46
VI. CONCLUSIONES
47
Las conclusiones de la investigación fueron las siguientes:
1. De acuerdo con el resultado obtenido del algoritmo de transferencia

de aprendizaje durante la evaluación de las imágenes, la sensibilidad
fue 95.58% y se obtuvo una variación de sensibilidad de 0.69% con
respecto al algoritmo de redes neuronales convolucionales Resnet50,
resultando un incremento de la sensibilidad con respecto a dicho
algoritmo.
2. El algoritmo de transferencia de aprendizaje de diagnóstico preliminar

tuvo una especificidad de 96.62% y una variación de -1.83% con
respecto al modelo del algoritmo de redes neuronales convolucionales
Resnet50, por lo que no se incrementó la especificidad con respecto a
dicho algoritmo.
3. El porcentaje de exactitud fue 95.89% y referente al objetivo no tuvo

un incremento de incremento de exactitud ya que la variación fue -
0.74% con respecto al algoritmo de redes neuronales convolucionales
Resnet50.
4. El diagnóstico preliminar el algoritmo de transferencia de aprendizaje

tuvo una precisión de 98.51% y una variación de precisión de 0.02%
frente al modelo del algoritmo de redes neuronales convolucionales
Resnet50, resultando un incremento de la precisión con respecto a
dicho algoritmo.
5. El tiempo de diagnóstico preliminar de neumonía a partir de imágenes

radiográficas con algoritmos de transferencia de aprendizaje para fue
un promedio de 1.85 milisegundos para el procesamiento de cada
imagen. De esta manera se concluye que un paciente que quiera saber
sus resultados también puede hacer el uso de esta aplicación porque
es de fácil manejo.
48
6. Luego de aplicar el algoritmo de transferencia de aprendizaje con las
muestras de 620, 2381 y 5040 imágenes, se pudo comprobar que al
aumentar la cantidad de imágenes se aumentó la sensibilidad y
precisión.
7. El uso del algoritmo de transferencia de aprendizaje incrementó la

sensibilidad y precisión con respecto al modelo del algoritmo de redes
neuronales convolucionales Resnet50; sin embargo, no incrementó la
especificidad y la exactitud con respecto al modelo del algoritmo de
redes neuronales convolucionales Resnet50. Además, el tiempo del
diagnóstico preliminar de la neumonía a partir de imágenes de
radiográficas de tórax con algoritmos de transferencia de aprendizaje
en Tensorflow fue menor al obtenido con los algoritmos RNN.
49
VII. RECOMENDACIONES
50
Las recomendaciones para futuras investigaciones son las siguientes:
1. Utilizar modelos de algoritmos de transferencia de aprendizaje para

construir más aplicaciones para medicina y emplear librerías
Tensorflow + Keras, ya que ayudará a los médicos a detectar
enfermedades que muchas veces son mortales.
2. Se requiere recopilar más volúmenes de datos de imágenes y

procesarlas con el Hadoop framework, el cual es un software libre para
programar aplicaciones distribuidas que manejan grandes volúmenes
de datos y permite trabajar con grandes nodos en la red.
3. Aplicar los modelos profundos con un punto de referencia de conjunto

de datos más grande y mejorar las tecnologías utilizadas
combinándolas herramientas de Deep Learning.
4. Emplear las tecnologías utilizadas en otros proyectos tales como

Xception, Densnet201, MovileNet: V2, Inception_Resnet, Resnet50,
Vgg16, ya que estos son algoritmos creados por distintos autores para
CNN que permiten trabajar con Deep Learning, además de entrenar y
clasificar imágenes con alto nivel de precisión.
5. Utilizar equipos que tengan GPU, TPU y tarjetas gráficas Nvidia

porque Tensorflow tiene librerías optimizadas para funcionar con estas
tarjetas gráficas y permite desarrollar un deep learning más eficaz,
entrenar las imágenes de manera más rápida, aligerar la carga del
trabajo del procesador y que tengan un disco duro con una cantidad
considerable de almacenamiento.
6. Incluir indicadores asociados a los tiempos de diagnóstico cuando se

hagan las diversas evaluaciones diagnósticas de enfermedades con
los diversos algoritmos para compararlos con mayor objetividad.
7. Estudiar enfoques en los que los pesos correspondientes a diferentes

modelos se puedan estimar de manera más eficiente.
51
8. Elaborar modelos que se adecuan al historial del paciente al hacer
predicciones e implementar una Big Data para almacenar en la nube.
9. Desarrollar aplicaciones de detección de enfermedades pulmonares

para diferentes dispositivos y promover el uso eficiente de las
tecnologías con capacitación en informática y adecuarlos con equipos
de rayos X en forma remota para la interacción entre el personal del
hospital y el paciente.
10. Elaborar metodologías de desarrollo de software específicas para este

tipo de sistemas de diagnóstico de enfermedades por imágenes, para
así saber responder de manera rápida y eficiente a este tipo de
proyectos.
52
REFERENCIAS
53
AGRAWAL, H. Detección de neumonía mediante procesamiento de imágenes y
aprendizaje profundo [en línea]. conferencia Internacional sobre Inteligencia
Artificial y Sistemas Inteligentes (ICAIS), Inteligencia Artificial y Sistemas
Inteligentes (ICAIS), Conferencia Internacional, 2021. pp. 67-73. DOI:
https://doi.org/10.1109/ICAIS50930.2021.9395895
ATYABI, A., LUERSSEN, M. H. and powers, D. M. W. 2013. PSO-based

dimension reduction of EEG recordings: implications for subject transfer in BCI.
Neurocomputing. 119. pp. 319 - 331. 10.1016/j.neucom.2013.03.027
ALUJA-JARAMILLO, F., MAHECHA, J. y GONZÁLEZ-ARDILA, C., 2021.

Hallazgos radiológicos del compromiso torácico de las enfermedades
dermatológicas: lo que los dermatólogos debemos saber. Revista de la
Asociación Colombiana de Dermatología y Cirugía Dermatológica, vol. 28, no. 4,
pp. 325-339. ISSN 1657-0448. DOI: 10.29176/2590843x.1552.
AYAN, E., Y UNVER, H. M. Diagnosis of Pneumonia from Chest X-Ray Images

Using Deep Learning [en línea]. Scientific Meeting on Electrical-Electronics y
Biomedical Engineering and Computer Science (EBBT), Electrical-Electronics y
Biomedical Engineering and Computer Science (EBBT), Scientific Meeting: 2019,
pp. 1 – 5. DOI: https://doi.org/10.1109/EBBT.2019.8741582
ALICANTE, U. de, 2008. La norma ISO. La Guía MetAs [en línea], vol. 06, pp.
25. DOI: http://werken.ubiobio.cl/html/downloads/ISO_690/Guia_Breve_ISO690-
2010.pdf
BEYELER, M. Machine Learning for OpenCV. 2da ed. Packt Publishing. 2017,
pp.45-90 ISBN 9781783980284
BRAVO-GRAU, S., CRUZ, P. y Q, J., 2015. Estudios de exactitud diagnóstica:

Herramientas para su Interpretación Diagnostic accuracy studies: Tools for its
Interpretation. Revista Chilena de Radiología. año, vol. 21, no. 4, pp. 158-164.
54
CHOUHAN, V., SINGH, S.K., KHAMPARIA, A., GUPTA, D., TIWARI, P.,
MOREIRA, C., DAMAŠEVIČIUS, R. y DE ALBUQUERQUE, V.H.C., 2020. A
novel transfer learning-based approach for pneumonia detection in chest X-ray
images. Applied Sciences (Switzerland), vol. 10, no. 2. ISSN 20763417. DOI:
10.3390/app10020559.
COHEN, J.P., DAO, L., MORRISON, P., ROTH, K., BENGIO, Y., SHEN, B.,
ABBASI, A., HOSHMAND-KOCHI, M., GHASSEMI, M., LI, H. y DUONG, T.Q.,
2020. Predicting covid-19 pneumonia severity on chest x-ray with deep learning.
ISSN 23318422, DOI: arXiv.10.7759/cureus.9448.
CORSO, I. y LORENA, C. Aplicación de algoritmos de clasificación supervisada

usando [online]. 2007, pp. 11. DOI:
http://www.investigacion.frc.utn.edu.ar/labsis/Publicaciones/congresos_labsis/c
ynthia/CNIT_2009_Aplicacion_Algoritmos_Weka.pdf
CANESCHE, M., BRAGANCA, L., NETO, OPV, NACIF, JA Y FERREIRA, R.

Google Colab CAD4U: Laboratorios prácticos en la nube para diseño digital
[online]. 2021, Simposio internacional de circuitos y sistemas de IEEE 2021
(ISCAS), 1–5. DOI: https://doi.org/10.1109/ISCAS51556.2021.9401151
CIP, 2018. Código De Ética Del Colegio De Ingenieros Del Perú. [en línea], pp.
1-32. DOI: http://cdlima.org.pe/wp-content/uploads/2018/04/CÓDIGO-DE-
ÉTICA-REVISIÓN-2018.pdf.
DENG, J., ZHANG, Z., MARCHI, E., AND SCHULLER, B. Sparse autoencoder-
based feature transfer learning for speech emotion recognition [online]. 2013, in
Humaine Association Conference on Affective Computing and Intelligent
Interaction (ACII), (Washington, DC), pp. DOI: 511–516. 10.1109/ACII.2013.90
55
DUNN, T. Deep learning [online]. Salem Press Encyclopedia of Science, 2020.
ISBN-13: 9781619252141.
DANIEL ALBERTO, P. G., LUZ MARÍA, H. C., LUIS ALBERTO, U. B., POOT
EMY GUADALUPE, H., CARLOS DAVID, D. G., y WILBERT RODOLFO, M. Á.
Matplotlib: primeros pasos en la librería para realizar gráficos en Python como
herramienta para la visualización de datos. Congreso Internacional de
Investigación Academia Journals, 2019, 11(9), 2706–2711.
EL ASNAOUI, K., CHAWKI, Y. y IDRI, A., 2020. Automated Methods for

Detection and Classification Pneumonia based on X-Ray Images Using Deep
Learning. arXiv, ISSN 23318422.
ETHEM ALPAYDIN. Machine Learning: The New AI. The MIT Press, 2016.
GUADALUPE, R., MARTIN, C., ESCOBEDO, T., YAMP and EDUARDO, L.

Implementación de una red social usando metodologías agiles para mejorar el
proceso de participación estudiantil en la Universidad Autónoma del Perú [en
línea]. 2021, pp. 1-139 DOI:
http://repositorio.autonoma.edu.pe/handle/AUTONOMA/123
GABRUSEVA, T., POPLAVSKIY, D. and KALININ, A., 2020. Deep learning for
automatic pneumonia detection. IEEE Computer Society Conference on
Computer Vision and Pattern Recognition Workshops, vol. 2020-June, pp. 1436-
1443. ISSN 21607516. DOI 10.1109/CVPRW50498.2020.00183.
GORDIS, L. Epidemiologia [en línea]. Barcelona, España: Elsevier. edición

española: 2015, ISBN: 978-84-9022-731-2. DOI:
https://tienda.elsevier.es/gordis-epidemiologia-9788491135364.html#description
56
GONZALES, H., y AMP; GRIMALDO, E. Metodologías ágiles en la
implementación de una aplicación móvil para la gestión de citas en la clínica
dental. 2017, Perio Dent–Huancayo.
HAMMOUDI, K., BENHABILES, H., MELKEMI, M., DORNAIKA, F., ARGANDA-

CARRERAS, I., COLLARD, D. and SCHERPEREEL, A. Deep learning on chest
x-ray images to detect and evaluate pneumonia cases at the era of covid-19
[online]. 2020, pp. 1-6. DOI: https://arxiv.org/abs/2004.03399
HASHMI, M. F., KATIYAR, S., KESKAR, A. G., BOKDE, N. D. and GEEM, Z. W.

Efficient pneumonia detection in chest Xray images using deep transfer learning
[online]. Diagnostics. 2020, 10(6), pp. 1–24. DOI:
https://doi.org/10.3390/diagnostics10060417
HERNÁNDEZ SAMPIERI, R., Y MENDOZA TORRES, C. P. Metodología de la

investigación: las tres rutas cuantitativa, cualitativa y mixta [online]. In Mc Graw
Hill [Vol. 1], Issue México], 2018, pp. 1-753 ISBN: 1456260960, DOI:
http://www.mhhe.com/latam/sampieri_mi1e
HERRING, William. Radiología básica aspecto fundamentales [online]. 2016,

Barcelona, España, Elsevier, ISBN: 9788491137115, DOI:
https://www.elsevier.com/books/radiologia-basica/herring/978-84-9113-665-1
HOWSE, J., JOSHI, P., and BEYELER, M. OpenCV: Computer Vision Projects
with Python. 2016. Packt Publishing.
JOUPPI, B. Y. N. P., YOON, D. O. E. H., KURIAN, G., LI, S., PATIL, N., LAUDON,
J., YOUNG, C. and DAVID PATTERSON. A Domain- Specific Supercomputer for
Training Deep Neural Networks. 2017.
JAKHAR, K. and HOODA, N. Big data deep learning framework using keras: A
case study of pneumonia prediction [online]. 2018, 4th International Conference
57
on Computing Communication and Automation [ICCCA 2018, August 2019]. DOI:
https://doi.org/10.1109/CCAA.2018.8777571
KANG, H., NAM, Y. and CHOI, S. Composite common spatial pattern for subject-
to-subject transfer [online]. 2009, IEEE Signal Process. Lett. 16, pp.683-686.
DOI: 10.1109/lsp.2009.2022557
KERMANY, D. S., GOLDBAUM, M., CAI, W., VALENTIM, C. C. S., LIANG, H.,
BAXTER, S. L., MCKEOWN, A., YANG, G., WU, X., YAN, F., DONG, J.,
PRASADHA, M. K., PEI, J., TING, M., ZHU, J., LI, C., HEWETT, S., DONG, J.,
ZIYAR, I., … ZHANG, K. Identifying Medical Diagnoses and Treatable Diseases
by Image-Based Deep Learning [online]. 2018, Cell., 172(5), pp. 1122-1131. DOI:
https://doi.org/10.1016/j.cell.2018.02.010
KNOK, Ž., PAP, K., and HRNČIĆ, M. Implementation of intelligent model for
pneumonia detection [online]. 2019, Tehnički Glasnik, 13(4), pp. 315–322. DOI:
https://doi.org/10.31803/tg-20191023102807
LIN, Y. P., y JUNG, T. P. Improving EEG-based emotion classification using

conditional transfer learning [online]. 2017, Frontiers in Human Neuroscience,
11(June), pp. 1–11. DOI: https://doi.org/10.3389/fnhum.2017.00334
LOEY, M. SMARANDACHE, F. and KHALIFA, N. E. M. Within the lack of chest

COVID-19 X-ray dataset: A novel detection model based on GAN and deep
transfer learning [online]. 2020, Symmetry, 12(4). DOI:
https://doi.org/10.3390/SYM12040651
LI, X., ZHOU, Y., DU, P., LANG, G., XU, M. and WU, W. A deep learning system
that generates quantitative CT reports for diagnosing pulmonary Tuberculosis
[online]. 2020, In Applied Intelligence [Vol. 51, Issue 6, pp. 4082–4093]. DOI:
https://doi.org/10.1007/s10489-020-02051-1
58
MONEY, P. Chest X-Ray Images (Pneumonia) [online]. 2018, Dataset Kaggle.
DOI: https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia
MORALES, J., NAVA, G., ESQUIVEL, J. and DIAZ, L. Principios de ética,

Bioética y conocimiento del hombre. 2011, México: Universidad Autónoma del
Estado de Hidalgo.
MAGHDID, H. S., ASAAD, A. T., GHAFOOR, K. Z., SADIQ, A. S., Y KHAN, M.

K. Diagnosing COVID-19 pneumonia from x-ray and ct images using deep
learning and transfer learning algorithms [online]. 2020, pp. 1-8. DOI:
https://arxiv.org/abs/2004.00038
MALPICA VELÁSQUEZ, C. J. Aplicación de la metodología SCRUM para

incrementar la productividad del proceso de desarrollo de software en la empresa
CCJ SAC Lima. 2014.
O’QUINN, W., HADDAD, RJ Y MOORE, DL., 2019. Diagnóstico por radiografía

de neumonía utilizando Deep Learning Network. IEEE 2019, segunda
conferencia internacional sobre tecnología de información y comunicación
electrónica (ICEICT), tecnología de información y comunicación electrónica
(ICEICT) [en línea]. 2019, IEEE, segunda conferencia internacional el 2019, pp.
763–767. DOI: https://doi.org/10.1109/ICEICT.2019.8846438
OWEIDA, A. B. S. M. S. Computed Tomography. 2018, Salem Press

Encyclopedia of Science.
OTZEN, T. and MANTEROLA, C. Técnicas de muestreo sobre una población a

estudio. Int. J. Morphol, 2017, 35(1), pp. 227-232
ORTEGA, S. M., and SUÁREZ, M. L. Pneumonia: Symptoms, Diagnosis and

Treatment. Nova Science Publishers, Inc., 2011. ISBN 97-816-1209-6858.
59
PAN, S. J., and YANG, Q. A. 2010. A survey on transfer learning [online]. IEEE
Trans. Knowledge and Data Eng. 22, pp. 1345-1359. DOI:
10.1109/TKDE.2009.191
QUATTONI, A., COLLINS, M., and DARRELL, T. Transfer learning for image
classification with sparse prototype representations [online]. in IEEE Conference
on Computer Vision and Pattern Recognition, 2008, (Anchorage, AK), pp. 2300-
2307. DOI: 10.1109/CVPR.2008.4587637
QIAN, X., FU, H., SHI, W., CHEN, T., FU, Y., SHAN, F. and XUE, X. M $ ^ 3 $
Lung-Sys: un sistema de aprendizaje profundo para la detección de neumonía
pulmonar de clases múltiples a partir de imágenes de TC. IEEE Journal of
Biomedical and Health Informatics [online]. Biomedical and Health Informatics,
IEEE Journal of, IEEE J. Biomed. Health Inform, 2020, 24 (12), pp. 3539-3550.
DOI: https://doi.org/10.1109/JBHI.2020.3030853
RAHAMAN, M. M., LI, C., YAO, Y., KULWA, F., RAHMAN, M. A., WANG, Q., QI,
S., KONG, F., ZHU, X. and ZHAO, X. (2020). Identification of COVID-19 samples
from chest X-Ray images using deep learning: A comparison of transfer learning
approaches [online]. Journal of X-Ray Science and Technology, 2020, 28(5), pp.
821-839. DOI: https://doi.org/10.3233/XST-200715
RAHMAN, T., CHOWDHURY, M. E. H., KHANDAKAR, A., ISLAM, K. R., ISLAM,

K. F., MAHBUB, Z. B., KADIR, M. A., and KASHEM, S. Transfer learning with
deep Convolutional Neural Network (CNN) for pneumonia detection using chest
X-ray [online]. Applied Sciences (Switzerland), 2020, 10(9). DOI:
https://doi.org/10.3390/app10093233
RAJPURKAR, P., IRVIN, J., ZHU, K., YANG, B., MEHTA, H., DUAN, T., DING,
D., BAGUL, A., BALL, R. L., LANGLOTZ, C., SHPANSKAYA, K., LUNGREN, M.
P., and NG, A. Y. CheXNet: Radiologist-level pneumonia detection on chest X-
rays with deep learning [online]. 2017, DOI: https://arxiv.org/abs/1711.05225
60
RAMADHAN, M. M., FAZA, A., LUBIS, L. E., YUNUS, R. E., SALAMAH, T.,
HANDAYANI, D., LESTARININGSIH, I., RESA, A., ALAM, C. R., PRAJITNO, P.,
PAWIRO, S. A., SIDIPRATOMO, P., and SOEJOKO, D. S. Fast and accurate
detection of Covid-19-related pneumonia from chest X-ray images with novel
deep learning model [online]. 2020, DOI: https://arxiv.org/abs/2005.04562
RAHMAN, Tawsifur, CHOWDHURY, Muhammad E. H., KHANDAKAR, Amith,

ISLAM, Khandaker R., ISLAM, Khandaker F., MAHBUB, Zaid B., KADIR,
Muhammad A. and KASHEM, Saad. Transfer Learning with Deep Convolutional
Neural Network (CNN) for Pneumonia Detection Using Chest X-ray. Applied
Sciences [online]. 6 May 2020. Vol. 10, no. 9, p. 3233. DOI:
10.3390/app10093233. Available from: http://dx.doi.org/10.3390/app10093233
RENNEBOOG, RM. SRA. Exactitud y precisión. 2019. Salem Press

Encyclopedia of Science.
REZAUL KARIM. ML. TensorFlow: Powerful Predictive Analytics with

TensorFlow: Predict Valuable Insights of Your Data with TensorFlow. 2018, Packt
Publishing.
SALEHI, M., MOHAMMADI, R., GHAFFARI, H., SADIGHI, N. and REIAZI, R.

Automated detection of pneumonia cases using deep transfer learning with
pediatric chest X-ray images [online]. 2021, The British Journal of Radiology,
94(1121), ISSN: 20201263. DOI: https://doi.org/10.1259/bjr.20201263
SIURANA APARISI, J.C., 2010. Los principios de la bioética y el surgimiento de

una bioética intercultural. Veritas, vol. 22, no. 22, pp. 121-157. ISSN 0718-9273.
DOI: 10.4067/s0718-92732010000100006.
SAIZ, F., and BARANDIARAN, I. (2020). COVID-19 Detection in Chest X-ray

Images using a Deep Learning Approach. International Journal of Interactive
Multimedia and Artificial Intelligence [online]. 2020, 6(2), 4. DOI:
https://doi.org/10.9781/ijimai.2020.04.003
61
STEPHEN, O., SAIN, M., MADUH, U. J., and JEONG, D. U. (2019). An Efficient
Deep Learning Approach to Pneumonia Classification in Healthcare [online].
Journal of Healthcare Engineering. 2019. DOI:
https://doi.org/10.1155/2019/4180949
SIERRA ARANGO, F. La sensibilidad y especificidad: entendiendo su origen y

utilidad real. Revista Colombiana de Gastroenterologia, 2003, 18(3), pp.180-182.
SHARIAR, S. Y AZHARUL HASAN, KM. Indexación acelerada por GPU para

tensores de orden superior en Google Colab. 2020, Simposio de la Región 10
del IEEE 2020 (TENSYMP), Simposio de la Región 10 (TENSYMP), IEEE 2020,
pp. 686–689. DOI: https://doi.org/10.1109/TENSYMP50017.2020.9230789
TOĞAÇAR, M., ERGEN, B., SERTKAYA, M. E., PROGRAMI, B. T., MESLEK, T.

B., OKULU, Y., ÜNIVERSITESI, F., MÜHENDISLIĞI, B., and FAKÜLTESI, M.
[Vol. 31, Issue 1]. Zatürre Hastalığının Derin Öğrenme Modeli ile Tespiti [online].
In Fırat Üniversitesi Müh. Bil. Dergisi. 2019. DOI:
https://dergipark.org.tr/tr/pub/fumbd/issue/43638/498364
TEJAKUMAR, D., MAHARDI, WANG, I.-H., LEE, K.-C. and CHANG, S.-L.
Predicción de la rugosidad de la superficie mediante el modelo DNN de Keras.
2020 IEEE Eurasia Conference on IOT, Communication and Engineering
(ECICE), IOT, Communication and Engineering (ECICE), 2020, IEEE Eurasia
Conference On, pp. 338-341. DOI:
https://doi.org/10.1109/ECICE50847.2020.9301928
TU, W. T., and SUN, S. L. A subject transfer framework for EEG classification
[online]. 2012, Neurocomputing 82, pp. 109-116. DOI:
10.1016/j.neucom.2011.10.024
UNIVERSIDAD CESAR VALLEJO, 2017. Código de Ética en Investigación-

Resolucion del Consejo universitario N°0126-2017/UCV [en línea]. 2017. S.l.:
62
s.n. Disponible en: https://www.ucv.edu.pe/wp-
content/uploads/2020/09/CÓDIGO-DE-ÉTICA-1.pdf.
WANG, S., SHI, J., YE, Z., DONG, D., YU, D., ZHOU, M., LIU, Y., GEVAERT,
O., WANG, K., ZHU, Y., ZHOU, H., LIU, Z., Y TIAN, J. Predicting EGFR mutation
status in lung adenocarcinoma on computed tomography image using deep
learning [online]. 2019, European Respiratory Journal, 53(3). DOI:
https://doi.org/10.1183/13993003.00986-2018
WENYUAN DAI, QIANG YANG, GUI-RONG XUE. and YONG YU. Boosting for
transfer learning [online]. 2007, In Proceedings of the 24th international
conference on Machine learning (ICML '07). Association for Computing
Machinery, New York, NY, USA, pp. 193-200. DOI:
https://doi.org/10.1145/1273496.1273521
WU, X., HUI, H., NIU, M., LI, L., WANG, L., HE, B., YANG, X., LI, L., LI, H., TIAN,
J., and ZHA, Y. Deep learning-based multi-view fusion model for screening 2019
novel coronavirus pneumonia: A multicentre study [online]. 2020, European
Journal of Radiology, [128 March], pp. 1 - 9. DOI:
https://doi.org/10.1016/j.ejrad.2020.109041
XU, X., JIANG, X., MA, C., DU, P., LI, X., LV, S., YU, L., CHEN, Y., SU, J., LANG,
G., LI, Y., ZHAO, H., XU, K., RUAN, L. and WU, W. Deep learning system to
screen coronavirus disease 2019 pneumonia [online]. 2020, pp. 1–29. DOI:
10.1016/j.eng.2020.04.010
XIANGHONG, GU, LIYAN, PAN, HUIYING, LIANG and RAN, YANG.

Classification of Bacterial and Viral Childhood Pneumonia Using Deep Learning
in Chest Radiography [online]. In <i>Proceedings of the 3rd International
Conference on Multimedia and Image Processing</i> (<i>ICMIP 2018</i>).
Association for Computing Machinery, New York, NY, USA, 2018, pp. 88-93. DOI:
https://doi.org/10.1145/3195588.3195597
63
ZECH, J. R., BADGELEY, M. A., LIU, M., COSTA, A. B., TITANO, J. J. and
OERMANN, E. K. Variable generalization performance of a deep learning model
to detect pneumonia in chest radiographs: A cross-sectional study [online]. PLoS
Medicine. 2018, 15(11), pp. 1-18. DOI:
https://doi.org/10.1371/journal.pmed.1002683
ZHANG, Y., NIU, S., QIU, Z., WEI, Y., ZHAO, P., YAO, J., HUANG, J., WU, Q.,
and TAN, M. Covid-da: Deep domain adaptation from typical pneumonia to covid-
19 [online]. 2020, pp. 1-8. DOI: https://arxiv.org/abs/2005.01577
64
Anexo 1: Matriz de operacionalización de variables
En la tabla 14 se muestra la operacionalización de la variable donde se fundamenta en la definición conceptual y operacional de la

variable que está distribuido en seis puntos importantes, la variable, definición conceptual, definición operacional, dimensiones,
indicadores y escala de medición.
Tabla 14 Matriz de operacionalización del algoritmo de diagnóstico preliminar de neumonía a partir de imágenes radiográficas del
tórax
Variable Definición Definición Dimensiones Indicadores Escala de
conceptual operacional medición
El algoritmo de diagnóstico %Incremento de Sensibilidad = (S1 – S0) /S0
preliminar para el ámbito de 𝑉𝑃
S1: Resultado posterior de la sensibilidad 𝑆𝑒𝑛𝑠𝑖𝑏𝑖𝑙𝑖𝑑𝑎𝑑 =
salud es verificar que la Se aplicará el S0: Resultado anterior de la sensibilidad (Gordis, 2015, p. 𝑉𝑃 + 𝐹𝑁
aproximación inicial más útil incremento la 91)
Algoritmo de es lograr fijar el grado de Sensibilidad
probabilidad para lograr el VP: Verdadero Positivo; FN: Falso Negativa
diagnóstico para detectar
preliminar de Incremento de la %Incremento de Especificidad = (E 1-E0) /E0 𝑉𝑁
neumonía a sensibilidad y detectar la el número de 𝐸𝑠𝑝𝑒𝑐𝑖𝑓𝑖𝑐𝑖𝑑𝑎 𝑑 =
E1: Resultado posterior de la especificidad 𝑉𝑁 + 𝐹𝑃
cantidad de pacientes con pacientes con Precisión Porcentual
partir de neumonía. neumonía y diagnostica E0: Resultado anterior de la especificidad (Gordis, 2015, p.
(%)
imágenes con la (Gordis, 2015, 91)
radiográficas Asimismo, con el Especificidad p.88) VN: Valor Negativo; FP: Fracción Positiva
del tórax incremento de la será
Especificidad que serán % Incremento de precisión= P1-P0/P0 VPP = VP/(VP+FP)
considerado
consideradas aquellos que P1: precisión final; P0: precisión inicial (Gordis, 2015, p. 91)
no las padezcan (Gordis, la cantidad de
2015). pacientes que %Incremento de exactitud= X1-X0/X0 Exactitud =(VP+VN)
/(VP+VN+FP+FN)
no la X1: Exactitud final; X0: Exactitud inicial (Gordis, 2015, p. 91)
Además de la reducción padezcan.
del tiempo de diagnóstico % Reducción del tiempo = tf-t0/t0
nos permitirá saber la RT = Reducción de Tiempo
rapidez de la detección de
Ti= Tiempo inicial del síntoma
la neumonía sobre la base
de los datos clínicos y Di = Diagnostico Final (“Reducción del tiempo de
gregado elemental (Moreno diagnóstico, 2015).
et al. 2018).
65
Anexo 2: Pseudocódigo de la aplicación web
ENTRADA
// Declarar función para la matriz de confusión
img_dims = 150
bache_zize = 32
Funcion matrizdeConfucion(precisión, sensibilidad, especificidad, exactitud,

prueba, entrenamiento):
leer predicciones
leer exactitud
leer matrizdeConfucion
// Declarar variables Sub-indicadores y relacionarlo al formato de cálculo y

nombre respectiva.
entero VP, FP, FN, VN = matrizdeConfucion
mostrar ‘FORMATO DE MATRIZ’
mostrar ‘verdaderos positivos, falsos positivos’
mostrar ‘falsos negativos, verdaderos negativos’
mostrar ‘Matriz de confusión’
mostrar ‘matriz_de_Confusión’
PROCESO
// Aplicación de las fórmulas para el cálculo de los indicadores

función = VP/ (VP + FP) * 100
sensibilidad = VP/ (FN + VP) * 100
especificidad = VN/ (VN + FP) * 100
exactitud = (VP + VN) /(VP+VN+FN+FP)
66
Mostrar_precision, sensibilidad, especificidad, exactitud’
SI entrenamiento == habilitado ENTONCES:
hacer control = Modelo (pesos, guardar verdadero, falso)
FIN_SI
Función defineModelArchitecture(img_dims):
entero entrada = img_dims, _img_dims
x = Conv2D(filters=16, kernel_size=(3, 3), activation=’relu’,

padding=’same’)(inputs)
salida x
x = SeparableConv2D (filters=32, kernel_size= (3, 3), activation=’relu’,

padding=’same’) (x)
salida x
x = SeparableConv2D (filters=64, kernel size= (3, 3), activation=’relu’,

padding=’same’)(x)
salida x
x = SeparableConv2D(filters=128, kernel_size=(3, 3), activation=’relu’,

salida x
x = SeparableConv2D(filters=256, kernel_size=(3, 3), activation=’relu’,

Salida x
retorno entrada, salida
FIN_FUNCION
Desde condición in [‘/PULMON/’, ‘/NEUMONIA/’]:
Desde listdir(___inputPath + ‘test’ +matrizConfusion)):
SI función == ‘/PULMON/’:
67
escribir etiqueta = 0
SINO SI función == ‘/NEUMONIA/’:
escribir etiqueta = 1
mostrar(img)
mostrar(label)
FIN_SI
FIN SINO
FIN_DESDE
FIN_DESDE
68
2.1. Pseudocódigo neumonía diagnóstico
ENTRADA
# Declarar la variable:
model_pneumoniaDetector = model_pneumoniaDetector
modelNeumoniaDetector = modelNeumoniaDetector
mensaje_de_diagnostico= [ “Neumonía encontrada” , “Neumonía encontrada”,
“No presenta neumonía” ]
PROCESO
función pruebasdesdeURL (imagePath):
test_data = []
lee la imagenPath
dimensionar img, (img_dims, img_dims)
imagen = ([img, img, img])
hacer flotante(‘float32’) / 255
test_data.append(img)
función_n = model_pneumoniaDetector.predict(np.array(test_data))
prediction[0][0]*100, 3
SI prediction > 50 ENTONCES
prediction = mensaje_de_diagnostico
mostrar “69unción69 encontrada”
SINO SI prediction < 50 ENTONCES
prediction = mensaje_de_diagnostico
mostrar = “´Neumonia encontrada”
mostrar = “Salidad de la Red Neuronal “
retornar outputContent
FIN_SINO
FIN_SI
69unción testNeumonia (imagePath):
test_data = []
lee la imagenPath
dimensionar img, (img_dims, img_dims)
69
imagen = ([img, img, img])
hacer flotante(‘float32’) / 255
test_data.append(img)
función_n = model_pneumoniaDetector.predict(np.array(test_data))
función_n[0][0]*100, 3
SÍ prediction > 50 ENTONCES

_prediction = mensaje_de_diagnostico 0
SINO SI prediction < 50 ENTONCES
_prediction = mensaje_de_diagnostico 1
mostrar= mensaje_de_diagnostico “No presenta 70unción70”

mostrar = “Salida de Red Neuronal “
recordInferenceEvent (imagePath, outputContent)
retornar
FIN_SINO
FIN_SI
FIN_FUNCION
70
Anexo 3: Flujograma del sistema de diagnóstico preliminar de neumonía
En la figura 2 se muestra el diagrama de flujo de trabajo que se utiliza el

aprendizaje profundo. En el diseño se muestra el proceso de aprendizaje para la
detección, la comparación con el peso (archivos binarios que corresponden a las
imágenes evaluadas previamente entrenadas y automáticas de la nubosidad y
el proceso de entrenamiento de la imagen y el algoritmo función de detección de
infecciones para apoyar la detección de neumonía a partir de imágenes de rayos
X de tórax. Uno de los pasos importantes en el pre-procesamiento de datos fue
cambiar el tamaño de las imágenes de rayos X, ya que la entrada de las
imágenes para los distintos algoritmos era diferente.
Figura 2. Diagrama de flujo del algoritmo de transferencia de aprendizaje
71
Anexo 3: Arquitectura metodológica para el entrenamiento de la imagen
radiográficas de tórax
En la figura 3 se muestra que para AlexNet y SqueezeNet, las imágenes se 227

píxeles, mientras que las imágenes se redimensionaron a 224 × 224 píxeles para
ResNet18 y DenseNet201. Todas las imágenes se normalizaron de acuerdo con
las normas del modelo pre-entrenado tomado de Muhammad (2020, p. 8).
Figura 3. Visión general de la metodología (Muhammad, 2020, p.11)
72
Anexo 4: Modelos de precisión de aprendizaje según tipo de modelos
En la figura 4 se muestra las tareas de los modelos y es evidente que

DesneNet201 exhibe la mayor exactitud de todos los estudios recientes hasta
donde podría ser útil para desarrollar un prototipo que pueda clasificar
automáticamente los resultados en neumonía normal, bacteriana y viral.
Entrenar la red usando una base de datos más grande y trabajando en un
conjunto de algoritmos de CNN pre-entrenados podría aumentar la precisión de
detección, lo que se puede hacer como un estudio futuro (Muhammad, 2020, p.
12).
Figura 4. Diferentes métricas de rendimiento en diferentes modelos de redes de

aprendizaje profundo (Muhammad, 2020, p. 12).
73
Anexo 5: Muestras de trabajos similares con imágenes de la dataset
En la figura 5 se muestra los autores, clase de enfermedad, técnica de

arquitectura de red neuronal, cantidad de imagen, sensibilidad, precisión, el área
bajo la curva y la exactitud para los resultados de rendimiento en sus estudios.
Figura 5. Resultados previos con modelos de redes neuronales y Dataset de imágenes

de rayos x de tórax (Muhammad, 2020, p.13)
74
Anexo 6: La arquitectura de CNN propuesta
En la figura 6 tomada de Okeke (2019) se muestra como la imagen pasa por un

proceso de entrenamiento a través de algoritmos de red neuronal convolucional
CNN y para ello se necesita una gran cantidad de imágenes (más de 2000
imágenes radiográficas), para que pueda captar sus características. El
framework CNN siempre requiere imágenes de tamaños fijos durante el
entrenamiento; además, cuanto mayor sea el tamaño de las imágenes
transformadas, menor será la precisión de validación obtenida (Okeke, 2019, p.
4).
Figura 6. Arquitectura de entrenamiento de la imagen a través una de una red

neuronal convolucional (Okeke, 2019, p.4).
75
Anexo 7: Requisitos para el sistema con Python 3.7.9
En la figura 7 se muestra las librerías que fueron usadas. TensorFlow es una

biblioteca de software de código abierto para computación numérica, que utiliza
gráficos de flujo de datos. Asimismo, Karim (2018) dijo: “la arquitectura flexible
de TensorFlow le permite implementar el cálculo a una o más CPU o GPU en
equipos de escritorio, servidores o dispositivos móviles con una sola API y Keras
es una librería escrita en Python, diseñada específicamente para hacer
experimentos con redes neuronales” (p. 19).
Figura 7. Librerías para aprendizaje automático
En la figura 8 se muestra los logotipos de las librerías NumPy y OpenCV

de Python. Estas librerías permiten comparar paquetes de cálculo científico.
NumPy trabaja con matrices y vectores construyendo funciones matemáticas.
Las extensiones de esto son Pandas Random y Matplolib (Howse y Beyeler,
2016, p. 3); y OpenCV hace una espera de milisegundos para cualquier evento
de teclado (Howse y Beyeler, 2016, p. 3).
Figura 8. Librerías que identifican la información entre imágenes
76
Anexo 8: Entorno Python
En la figura 9 muestra el entorno de Google Colab, el cual es un cuaderno Jupyter

en la nube muy utilizado para enseñar aprendizaje automático escribiendo
explicaciones de texto y códigos Python a través del navegador (Canesche, et
al., 2021); vale decir, esto permite que todos puedan escribir y ejecutar código
de Python en el navegador. Es ideal para aplicarlo en proyectos de aprendizaje
automático, análisis de datos y educación. Más técnicamente, Colab es un
servicio de notebook alojado de Jupyter que no requiere configuración para
usarlo y brinda acceso gratuito a recursos computacionales, incluidas GPU para
entrenar la imagen de manera más rápida que una máquina CPU y GTU. Google
Colaboratory es llamado también Google Colab. Además, no requiere
configuración y se ejecuta completamente en la nube (Shariar et al., 2020).
Figura 9. Google Colab, un entorno gratuito de Jupyter Notebook que permite crear
código en la nube (Alvez y Vieira, 2020).
77
Anexo 9: Dataset de radiografía de tórax
En este trabajo se utilizó la base de datos de neumonía por rayos X de tórax

llamada Kaggle, la que se compone de 5247 imágenes de rayos X de tórax con
resoluciones que varían de 400p a 2000p (Mooney, 2018, p. 8). De 5247
imágenes de rayos X en el tórax, 3906 imágenes provienen de diferentes sujetos
afectados por neumonía (2561 imágenes para neumonía bacteriana y 1345
imágenes para neumonía viral) y 1341 imágenes son de sujetos normales. En
algunos casos de neumonía se produce una infección viral y bacteriana mixta.
Sin embargo, el conjunto de datos utilizado en este estudio no incluye ningún
caso de coinfección viral y bacteriana. Este conjunto de datos se segmentó en
el conjunto de entrenamiento y pruebas.
En la figura 10 la imagen radiográfica de Tórax pertenece u un paciente

sano sin ninguna complicación, se observa que no muestra nubosidad; además,
se ve que las costillas están limpias y bien definidas.
Figura 10. Imágenes radiográficas de casos normales
78
En la figura 11 se puede observar que hay nubosidad a comparación del
anterior Se ven múltiples nódulos pequeños, bastante densos y dispersos en
ambos pulmones. En esta fotografía aparecen numeradas las costillas
posteriores. Son visibles 10 costillas posteriores por encima de la hemidiafragma
derecha. En la mayor parte de los pacientes hospitalizados, la observación de 8
a 9 costillas posteriores en la proyección frontal indica una inspiración suficiente
para la interpretación precisa de la imagen. También en la parte derecha se
observa que el corazón está hinchado.
Figura 11. Imágenes radiográficas de casos con neumonía bacteriana
En la figura 12 se muestra un caso de neumonía viral. Esto es más visible

porque la nubosidad es más densa y ocupa el 90% (casi toso el pulmón) y los
huesos de las costillas son menos visibles.
Figure 12. Imágenes radiográficas de casos con neumonía viral
79
Anexo 10: Dataset e instalación de librerías
La tabla 15 presenta la cantidad y distribución de las imágenes en la dataset
Kaggle, las que son un total de 5852 imágenes radiográficas que están
distribuidas en tres carpetas porque de esa forma permitirá entrenar (train) la
imagen, validar (val) y finalmente probar la aplicación web y el caso de prueba
(test) puede variar según lo que es n ecesario.
Tabla 15 Detalle completo de la Dataset Kaggle

REFERENCIA TIPO CANTDAD
NEUMONIA 234
TEST
PULMON 390
NEUMONIA 1341
DATASET TRAIN
PULMON 3875
NEUMONIA 8
VAL
PULMON 8
TOTAL, DE IMAGENES RADIOGRÁFICAS DE TÓRAX 5863
En la figura 13 se muestra cómo fue la instalación de las librerías para

poder desarrollar los códigos en Python, el pip install es el comando que nos
permite dicha instalación seguido del nombre de las librerías; por ejemplo,
tensorflow; pero, antes de todo se debe tener preparado el directorio donde
vamos a trabajar.
Figura 13. Comando para la instalación de librerías tensorflow.
80
Anexo 11: Inicio de codificación con la Importación de librerías
En la figura 14 se indica el inicio de programación del código de manera que

primero se debe tener conocimiento qué acción se pretende realizar con las
librerías que se usará según el algoritmo. En este caso se debe crear los archivos
binarios de las imágenes convertidas, ya que por la cantidad de imágenes es
muy pesado realizar por CPU; por ello, se usará una GPU, ya que esto permite
trabajar con elementos altamente pesados. Júpyter y Google Colab brindan esta
herramienta.
Figura 14. Código que permite importar las librerías.
En la figura 15 se muestra el mensaje que precisa que se está usando el

TensorFlow, luego de importar todas las librerías y con esto se indica que el
lenguaje de programación está habilitado para seguir desarrollando el algoritmo.
Figura 15. Mensaje donde se indica que se está usando Tensorflow Backend
81
La figura 16 escribimos el código a través de Google Colaboratory que
permite a través del Google Drive donde se cargó las imágenes de la Dataset
previamente, este código nos permite crear una URL lo cual nos genera una
contraseña al hacer click, es necesario poner esta password generada porque
nos brindara la autorización para poder entrelazar nuestra data con el programa.
Después de ejecutar la autorización declaramos los hiper-parametros, esto
contienen los datos que rigen el proceso de entrenamiento.
Figura 16. Código de acceso del Google Colab con Dataset y la declaración de los
hiper-parámetros.
82
En la figura 17 se presenta la declaración de la variable con la ruta del
proyecto, también se crea una propiedad de la imagen que se va a mostrar en
pantalla, también se realiza un bucle para acceder a cada carpeta del archivo de
Google Drive, luego se realiza un código para que imprima las imágenes de las
tres carpetas train, test y val y de cada carpeta muestra sus diferencias entre
normal y neumonía.
Figura 17. Acceso y selección de imágenes por tipo, parte superior, Imágenes de
radiografía de tórax normal, parte inferior tórax con neumonía.
En la figura 18 se muestra un bucle para la distribución de la dataset. Con

este código se entrenó la imagen y se clasificó las carpetas con las siguientes
acciones: primero entrena, después la valida y finalmente realiza la prueba.
83
Figura 18. Preparando la data para el modelo
11.1. Preparando la data para el modelo
En la figura 19 el algoritmo muestra una función con la variable input_path donde

el algoritmo toma las muestras del conjunto para generar objetos y luego otra
variable es la que alimenta al tamaño del lote y con las dimensiones de imágenes
especificadas después se realiza el testeo.
Figura 19. Código para generar objetos y conjunto de pruebas
84
11.2. Código para obtener la matriz de confusión
En la figura 20 se muestra los códigos que realizará las predicciones del

conjunto de prueba en un tamaño de lote y esto es necesario, ya que permitió
realizar la matriz de confusión del tamaño de la data que se ha sido realizado.
Figura 20. Código que realiza las predicciones de las imágenes
En la figura 21 se muestra el código donde realizó la lectura de las

imágenes, las épocas de entrenamiento y lote o batch_size de cuantas imágenes
disponibles se hizo el entrenamiento.
Figura 21. Hiper parámetros y obtención de la Dataset imágenes
85
11.3. Entrenamiento de imagen a través de CNN
La figura 22 muestra la arquitectura de la red de convoluciones por bloques y
capas de entradas (inputs) y salidas (x) que finalmente será conducida a redes
de muy alto rendimiento (relu).
Figura 22. Arquitectura de la red neuronal de convolución CNN
86
La figura 23 indica lo que el código realiza esto se realimenta a la red en
los tamaños de lote y dimensiones de imagen especificados.
Figura 23. Generación de objetos
11.4. Resultado de entrenamiento general de la Dataset

En la figura 24 se muestra donde el código realizó la ejecución para el proceso
de entrenamiento de toda la dataset de entrenamiento, para luego poder
descargar las imágenes convertidas a archivos binarios, ya que ayudó en la
aplicación web del ordenador que no posee GPU.
Figura 24. Proceso de ejecución para entrenar a la imagen
87
Anexo 12: Manual de usuario
Después de realizar el código para convertir las imágenes a archivos binarios
con Google Colab (como paso previo para el procesamiento de las imágenes),
se codificó un algoritmo en Python con capacidad de aprender en las primeras
capas una serie de características básicas de la imagen. En las primeras capas
se aprende a discriminar entre elementos más complejos, como son la
neumonía. Finalmente, en capas más profundas que son capaces de diferenciar
dos imágenes diferentes como pacientes sanos y pacientes enfermos con
neumonía. El objetivo es reducir el costo computacional. Además, se minimiza
la posibilidad de sobreajuste o aprendizaje automático y se consigue aumentar
la abstracción sobre los datos de entrada.
12.1. Login de la aplicación web

En la figura 25 se presenta lo primero que muestra la aplicación cuando se
ejecuta. Esta aplicación está creada con Python como lenguaje de programación
y el framework Flask (trabaja con HTML y css).
Figura 25. Login del sistema de la aplicación web
88
12.2. Ingreso de datos del administrador
En la figura 26 se enseña como el usuario administrador se autentica, primero
ingresa sus datos en las cajas de texto “Usuario” y “Contraseña”.
Figura 26. Login de Usuario
12.3. Seleccionar imagen o arrastre para evaluar

En la figura 27 se enseña como el usuario puede arrastrar cualquier imagen de
radiografía de tórax al programa o seleccionar una imagen de los archivos y en
la figura 28 se muestran las imágenes del archivo y luego se selecciona una
imagen para que después sea evaluada.
Figura 27. Seleccionador de imágenes
89
12.4. Evaluación para pacientes sanos que no poseen neumonía
En la figura 28 se muestra las imágenes de radiográficas de tórax con neumonía

de la Dataset extraídas de www.Kaggle.com.
Figura 28. Imágenes radiográficas con neumonía de la Dataset a evaluar
12.5. Selección de la imagen que se requiera analizar
En la figura 29 se muestra algunas imágenes que se encuentran en la lista de

los archivos de las radiografías de pacientes sanos. Más adelante se muestra
con la aplicación si esto es cierto.
Figura 29. Imágenes radiográficas normales de la Dataset
90
12.6. Evalúa y muestra el resultado del diagnóstico
En la figura 30 se presenta el resultado que efectivamente evalúa la aplicación

web y la comprobación de esto es el resultado en la aplicación, en el que se
indica que no presenta neumonía y en la figura 31 se muestra el zoom del
resultado.
Figura 30. Mensaje de imagen procesada de una radiografía de tórax que no presenta
neumonía
En la figura 31 se detalla con más claridad el resultado que muestra el

diagnóstico del algoritmo de la aplicación web y el valor de la precisión y el tiempo
en milisegundos que demora en analizar la imagen.
Figura 31. Detalle de diagnóstico y tiempo de la imagen sin neumonía
91
En la figura 32 del mismo modo que en las anteriores se realiza la
evaluación esta vez entrando al archivo donde se encuentran las imágenes con
neumonía; pero, luego de la evaluación se mostró un mensaje donde dice que la
neumonía fue encontrada
Figura 32. Mensaje de imagen procesada de una radiografía de tórax con neumonía
En la figura 33 se detalla con más claridad el resultado que muestra el

diagnóstico del algoritmo de la aplicación web, mostrando el valor de la precisión
y el tiempo en milisegundos que demora en analizar la imagen.
92
Figura 33. Detalle de diagnóstico y tiempo de imagen con neumonía
12.7. Crear lista de tiempo
En la figura 34 se indica cómo realizar la descarga de la lista de tiempos de las
evaluaciones de las imágenes, en la figura 35 se muestra en un archivo .txt
donde se ha contabilizado todo este tiempo y en la figura 36 se muestra la lista
de tiempos resultantes de las evaluaciones.
Figura 34. Descargar la lista de tiempos de evaluaciones
En la figura 35 se muestra la lista de informe de tiempo que se descarga

después de hacer el diagnóstico. Esto sirvió para calcular en promedio cuánto
se demoró en diagnosticar la enfermedad con la aplicación web.
93
Figura 35. La lista descargada en un block de notas
La figura 36 muestra la lista de tiempos en milisegundos de las imágenes

procesadas con la aplicación web. A partir de esta lista se ha podido hallar la
reducción de tiempo de diagnóstico preliminar de neumonía a partir de imágenes
radiográficas de tórax con respecto a los trabajos previos similares.
Figura 36. Muestra de lista de los tiempos evaluados
94
Anexo 13: Resultados de la sensibilidad, especificidad, exactitud y
precisión en la matriz de confusión del sistema
En la figura 37 se presenta el valor de los indicadores. En este caso se está

trabajando con 620 imágenes y la exactitud (accuracy) fue 86.61%, la precisión
fue 91.304%, la sensibilidad fue 86.82%, la especificidad fue 86.26% y el F1-
Score, el que representa la precisión perfecta del modelo.
Figura 37. Consulta de sensibilidad, especificidad, exactitud y precisión del modelo
95
Anexo 14: Teorías relacionadas al tema de investigación
Con la finalidad de que el algoritmo las combine y pueda hacer predicciones se

usa el aprendizaje supervisado ya que la máquina se enseña con el ejemplo. Al
respecto, Ethem (2016) dijo que el operador proporciona al algoritmo de
aprendizaje automático, un conjunto de datos conocidos que incluye las entradas
y salidas deseadas y el algoritmo debe encontrar un método para determinar
cómo llegar a esas entradas y salidas. Además, Ethem (2016) afirmó:
Mientras el operador conoce las respuestas correctas al problema, el

algoritmo identifica patrones en los datos, aprende de las observaciones
y hace predicciones. El algoritmo realiza predicciones y es corregido por
el operador, y este proceso sigue hasta que el algoritmo alcanza un alto
nivel de precisión y rendimiento. (p. 112)
Una biblioteca de código abierto para entrenamiento en una red neuronal

convolucional es TensorFlow. Al respecto, Karim (2018) dijo: “TensorFlow es un
marco de trabajo de código abierto de Google para el cálculo científico y
numérico basado en gráficos de flujo de datos que representan el modelo de
ejecución de TensorFlow”. Asimismo, Karim (2018) dijo que los gráficos de flujo
de datos utilizados en TensorFlow ayudan a los expertos en aprendizaje
automático a realizar un entrenamiento más avanzado e intensivo sobre los
datos para desarrollar modelos de análisis predictivo y aprendizaje profundo.
Karim (2018) indicó:
En el 2015, Google abrió TensorFlow y toda su implementación de

referencia e hizo que todo el código fuente estuviera disponible en GitHub
bajo la licencia Apache 2.0. Desde entonces, TensorFlow ha logrado una
amplia adopción de la academia y la investigación en la industria, y luego
de eso, recientemente se lanzó la versión 1.x más estable con una API
unificada. (p. 8)
Como indica el nombre TensorFlow, las operaciones son realizadas por

redes neuronales en matrices de datos multidimensionales (también conocido
como flujo de tensores) (Jouppi, 2017). De esta manera, TensorFlow proporciona
96
algunos modelos lineales de implementación ampliamente utilizados y robustos
y algoritmos de aprendizaje profundo (Karim, 2018).
Con respecto a la librería Tensorflow, Jakoar (2018) señaló: “Es una de

las bibliotecas más populares para resolver problemas con el aprendizaje
automático y el aprendizaje profundo y consta de tensores y el modelo de
programación consta de gráficos de flujo de datos o gráficos de cálculo.” (p. 8) y
que “El modelo de ejecución de TensorFlow consiste en activar los nodos en una
secuencia basada en las condiciones de dependencia, a partir de los nodos
iniciales que dependen de las entradas” (p. 8).
Con respecto a la librería Keras, Jakoar (2018, p. 58) dijo: “Keras es una
biblioteca de alto nivel que permite el uso de TensorFlow como una biblioteca de
aprendizaje profundo backend.” (p. 58) y que “El equipo de TensorFlow ha
incluido Keras en TensorFlow Core como módulo tf.keras. Además de
TensorFlow, Keras también es compatible con Theano y CNTK.” (p. 58).
En este estudio, se utiliza una regresión con el modelo de red neuronal

profunda de Keras para evaluar con precisión la correlación entre las
características de la imagen de la superficie y la rugosidad de la superficie real
utilizando los parámetros de mecanizado y el nivel de gris de la imagen de la
superficie (Tejakumar, 2020, p. 1). Además, la libreria Numpy es el módulo
estándar para elaboraciones numéricas de Python y provee soporte para el alto
desempeño de operaciones, incluso con tipos de datos matemáticos como
arreglos de matrices (Daniel et al., 2009, p. 2708).
Finalmente, la librería Opencv según Beyeler (2017) dijo que es una

librería software open-source de visión artificial y machine learning, es una
librería software open-source de visión artificial y machine learning. Y provee una
infraestructura para aplicaciones de visión artificial (p. 114). Además, Kermany
et al. (2018) mencionaron: “el DataSet es una representación de datos residente
en memoria que proporciona una modelo de programación relacional coherente
independientemente del origen de datos que contiene” (p. 1122).
Para poder entender cómo trabajan las imágenes en las computadoras es

importante conocer los pixels, Bembibre (2009) mencionó que el píxel es la
97
unidad más pequeña y diminuta de una imagen digital y está presente en un
inmensurable número para formar una imagen completa. Todos los píxeles son
cuadrados o rectangulares y pueden ser de color, blancos, negros o grises en
diferentes tonalidades (p. 26). También, para este trabajo es necesario entender
el diagnostico preliminar, el que según Bravo (2015) es la proporción de
individuos correctamente diagnosticados con la condición de tener o no tener la
enfermedad por la prueba diagnóstica (p. 159).
Sobre el impacto de los sesgos en los resultados de un estudio de prueba

diagnóstica con el propósito de hacer entendibles las diferentes características
operativas de las pruebas diagnósticas es importante descomponer los
diferentes constituyentes de la tabla 2 por 2; o también denominada Matriz de
confusión F1 (Gordis, 2015, p. 92).
Sierra (2003) dijo “esta matriz está constituida por dos elementos: (1) El
estado “real” de la condición mórbida presentada en forma de un desenlace
dicótomo; tener o no tener la enfermedad y, (2) Un resultado de la prueba de
laboratorio también dicótomo; positiva o negativa (p. 180). Asimismo, Sierra
(2003) menciono que la matriz puede ser descompuesta en sus diferentes
constituyentes que son los elementos primarios de las características operativas
de las pruebas diagnósticas (p. 180). Con respecto a los determinantes de la
eficacia de una prueba de laboratorio, Gordis (2015) dijo:
La sensibilidad corresponde a la proporción de individuos correctamente

diagnosticados con la condición o enfermedad por la prueba diagnóstica.
En otras palabras, es la proporción de verdaderos positivos correctamente
identificados por el test del total de individuos enfermos según el estándar
de referencia. (p. 159)
Asimismo, Gordis (2015) dijo: “La especificidad corresponde a la

proporción de individuos correctamente diagnosticados con ausencia de la
condición o enfermedad por la prueba diagnóstica en estudio. Vale decir, es la
proporción de verdaderos negativos que fueron correctamente identificados por
el test, del total de individuos sanos según el estándar de referencia.” (p. 159).
También, Gordis (2015) explicó: “Para calcular el valor predictivo positivo,
98
dividimos el número total de personas con resultados positivos (verdaderos
positivos + falsos positivos)” (p. 100). Del mismo modo, Martínez (2020)
mencionó:
La exactitud (accuracy) mide el porcentaje de casos que el modelo ha

acertado. ¡Esta es una de las métricas más usadas y favoritas … que te
recomiendo evitar! El problema con la exactitud es que nos puede llevar
al engaño, es decir, puede hacer que un modelo malo (como el del
ejemplo) parezca que es mucho mejor de lo que es. (p. 1)
Algunos radiólogos evalúan sistemáticamente los estudios de imagen, tal

como las radiografías de tórax, desde el exterior de la imagen hasta su interior,
mientras que otros lo hacen de dentro afuera o bien de arriba (Herring, 2015, p.
3). Algunos de los sistemas que permiten recordar todas las partes que hay que
examinar se denominan con acrónimos y recursos nemotécnicos (Herring, 2015,
p. 13). Las imágenes producidas mediante el uso de radiaciones ionizantes (es
decir, rayos X) pero sin añadir material de contraste como bario o yodo se
denominan radiografías convencionales o bien, con mayor frecuencia,
«radiografías o placas simples» (Herring, 2015, p. 14).
La producción de estas imágenes es relativamente barata y se puede

llevar a cabo casi en cualquier lugar mediante aparatos portátiles o móviles; en
la actualidad sigue siendo el estudio de imagen que se realiza con mayor
frecuencia (Herring, 2015, p. 16). Requieren una fuente de rayos X (el “aparato
de rayos X”), un método para obtener la imagen (una placa, un chasis o una
lámina) y un sistema para procesar la imagen obtenida (los productos químicos
o el dispositivo lector digital) (Herring, 2015, p. 16).
Las indicaciones más habituales de la radiografía convencional son la

radiografía torácica, la radiografía simple de abdomen y virtualmente cualquier
imagen inicial del sistema esquelético para descubrir la presencia de fracturas o
de problemas articulares (Herring, 2015, p. 16). La aplicación de dosis elevadas
de radiaciones ionizantes (dosis sustancialmente mayores que las utilizadas en
cualquier procedimiento radiográfico médico) causa mutaciones celulares que
pueden dar lugar a distintas formas de cáncer y malformaciones (Herring, 2015,
99
p. 16). Además, las estimaciones epidemiológicas relativas a los niveles bajos
de radiación varían en cuanto a su valoración del riesgo, pero suele aceptarse
que solamente hay que llevar a cabo aquellos estudios radiológicos diagnósticos
necesarios y que los estudios en los que se utilizan rayos X deben evitarse en
las situaciones potencialmente teratógenas, como el embarazo (Herring, 2015,
p. 16).
La radiografía de tórax es esencial para este trabajo, ya que nos ayuda a

encontrar la patología de diversas enfermedades. Al respecto, Xu, Pope y Ott
(2006) indicaron: “la finalidad de la radiografía de tórax después de la colocación
de un marcapasos es documentar la correcta colocación de los cables, descartar
complicaciones y tener una exploración de base para comparar con futuras
radiografías de tórax” (p. 43).
Además, Xu et al. (2006) dijeron: “Tras elegir el kilovoltaje y el tiempo de

exposición, debe seleccionarse el miliamperaje de modo que los miliamperios
por segundos (el producto del miliamperaje por el tiempo) sean suficientes para
ennegrecer la película de forma adecuada. Si el milliamperaje necesario está por
encima de 200 a 300 mA, normalmente no se puede usar el foco fino, ya que con
este no va a ser posible un milliamperaje tan elevado sin riesgo de fusión del
ánodo”. (p. 21) Ciertamente, Xu et al. (2006) indicaron: “en muchos equipos de
rayos X se utiliza un sensor (control automático de exposición) o phototimer para
cortar automáticamente los rayos X cuando se ha acumulado una determinada
exposición a nivel del chasis” (p. 21).
De la misma manera, Xu et al. (2006) indicó que la película se expone

adecuadamente independientemente del tamaño del paciente o de la elección
de kilo voltaje. Cuando se utiliza esta opción, sin embargo, el operador pierde el
control del tiempo de exposición y seleccionando el mayor mili-amperaje que
permita el tubo, va a asegurar el menor tiempo de exposición (p. 21). La
neumonía es una infección que inflama los sacos aéreos de uno o ambos
pulmones y los sacos aéreos se pueden llenar de líquido o pus, lo que provoca
tos con flema o pus, fiebre, escalofríos y dificultad para respirar (Xu et al., 2006,
p. 21).
100
En la tabla 16 se muestra los diferentes tipos de microorganismos que
pueden originar alteraciones similares en los estudios de imagen pulmonares, es
difícil identificar con certeza el microorganismo causal basándose solo en los
radiólogos. Algunos patrones de enfermedad son muy sugestivos de un
microorganismo causal concreto (Herring, 2016, p. 68).
Tabla 16 Patrones que podrían sugerir un microorganismo causal concreto

(Herring, 2016, p. 68)
PATRÓN DE LA ENFERMEDAD MICROORGANISMO CAUSAL PROBABLE
Neumonía cavitada en el lóbulo superior con Mycobacterium tuberculosis (TB)

diseminación hacia el lóbulo inf erior contralateral
Neumonía en el lóbulo superior con abombamiento Klebsiella pneumonae
de la cisura interlobar
Neumonía cavitada en el lóbulo inf erior Pseudomonas aeuruginosa o
microorganismos anaerobios
(Bacteroides)
Enf ermedad intersticial perihiliar o enf ermedad del Pneumocystis carinii (jiroveci)
espacio aéreo perihiliar
Cavidad de pared f ina en el lóbulo superior Coccidioides (coccidioidomicosis), TB
Enf ermedad del espacio aéreo con derrame Estreptococos, estaf ilococos, TB
Nódulos dif usos Histoplasma, Coccidioides, M.
tuberculosis (histoplasmosis,
coccidioidomicosis, TB)
Sombras digitif ormes con densidad de tejidos Aspergillus (Aspergilosis
blandos en los lóbulos superiores broncopulmonar alérgica)
Nódulo pulmonar solitario Cryptococcus (criptocosis)
Masa esf érica con densidad de tejidos blandos en Aspergillus (aspergiloma)
una cavidad de pared f ina en el lóbulo superior
Herring (2016) indicó que la neumonía ocupa los espacios aéreos o

intersticiales afectados con alguna forma de líquido o de exudado inflamatorio y
que las neumonías aparecen más densas (más blancas) que el tejido pulmonar
adyacente con aeración normal (p. 68). Además, puede contener broncogramas
aéreas, siempre que los bronquios no estén llenos de exudado inflamatorio o de
líquido. La neumonía que afecta a los espacios aéreos aparece con un aspecto
algodonoso y sus márgenes no están bien definidos (Herring, 2016, p. 68).
Con respecto a la neumonía intersticial, Herring (2016, p. 68) señaló:

“puede cursar con una prominencia de las marcas intersticiales en la zona
pulmonar afectado, o bien puede diseminarse a las vías respiratorias adyacentes
y dar lugar a características similares a las de una enfermedad del espacio
aéreo”. Según Herring (2016, p. 68): “excepto por la presencia de broncogramas
101
aéreos, la neumonía que afecta al espacio aéreo suele tener una densidad”. En
algunos tipos de neumonía, los bronquios los espacios aéreos contienen
exudado inflamatorio que puede originar una atelectasia asociada (Herring,
2016, p. 68).
En la tabla 17 se describe la identificación de la enfermedad pulmonar por

afectación del espacio aéreo frente a la enfermedad pulmonar por afectación del
espacio intersticial
Tabla 17 Resumen de los aspectos clave para reconocer una neumonía (Herring,
2016, p. 69)
IDENTIFICACION DE UNA NEUMONIA

Mas opaca que el pulmón normal adyacente
En la enf ermedad del espacio aéreo, los márgenes pueden ser algodonosos y estar mal
def inidos, excepto cuando la enf ermedad contacta con una superf icie pleural, como
las cisuras interlobares; en estos casos, los márgenes están bien def ini dos.
Las neumonías intersticiales dan lugar a la prominencia de los tejidos intersticiales
pulmonares en la zona af ectada; en algunos casos, la enf ermedad puede
diseminarse hasta los alveolos y puede simular una enf ermedad del espacio aéreo.
La neumonía tiende a presentar una densidad homogénea.
Las neumonías lobares pueden contener broncogramas aéreas.
Las neumonías segmentarias pueden asociarse a una atelectasia en la porción af ectada del
pulmón
En los estudios realizados sobre la neumonía, Herring (2016) dijo: “las

neumonías pueden producir varios patrones pulmonares denominados lobar,
segmentario, intersticial, redondo y cavitario” (p. 68). A continuación se detalla
los patrones para diversos tipos de neumonía:
A. Los patrones de la neumonía Lobar son los siguientes:
▪ La neumonía lobar prototípica es la neumonía neumocócica

causada por Streptococcus pneumoniae (Herring 2016, p. 69).
▪ A pesar de su denominación, el cuadro clínico puede manifestarse

antes de que la enfermedad afecte a un lóbulo pu lmonar por
completo. En su forma más clásica, la enfermedad afecta a todo
o la mayor parte de un lóbulo del pulmón (Herring 2016, p. 69).
102
▪ Dado que los lóbulos pulmonares están delimitados por las
cisuras interlobares, uno o más de los márgenes de la neumonía
lobar pueden estar muy bien definidos (Herring 2016, p. 69).
▪ En los casos en que la enfermedad no está delimitada por una

cisura, sus márgenes son poco definidos e irregulares (Herring,
2016, p. 69).
▪ Las neumonías lobares suelen dar lugar al signo de la silueta en

las zonas que entran en contacto con el corazón, la aorta o el
diafragma; cuando afectan a las porciones centrales del pulmón,
casi siempre contienen broncogramas aéreas” (Herring, 2016, p.
69).
B. Los patrones de la Neumonía segmentaria:

▪ La bronconeumonía prototípica es la causada por Staphylococcus
aureus. Hay muchas bacterias gramnegativas (p. ej.,
Pseudomonas aeruginosa) que pueden producir el mismo cuadro
radiológico (Herring, 2016, p. 69).
▪ Las bronconeumonías se extienden de forma centrífuga a través

del árbol traqueobronquial y dar lugar a la aparición de numerosos
focos pulmonares simultáneos. Así, a menudo afectan a varios
segmentos pulmonares al mismo tiempo (Herring, 2016, p. 69).
C. Los patrones de la neumonía intersticial son los siguientes:

▪ Los prototipos de la neumonía intersticial son la neumonía vírica
y las neumonías causadas por Mycoplasma pneumoniae y
Pneumocystis en los pacientes con síndrome de
inmunodeficiencia adquirida (sida)
▪ Las neumonías intersticiales tienden a afectar a las paredes de

las vías respiratorias, así como a los tabiques alveolares, y
especialmente en las fases tempranas de su evolución pueden
dar lugar a un patrón reticular fino en los pulmones (Herring 2016,
p. 69).
103
▪ La mayor parte de las neumonías intersticiales se diseminan
finalmente hacia los alveolos adyacentes y pueden originar una
enfermedad parcheada o confluente del espacio aéreo, lo cual,
desde el punto de vista radiológico, imposibilita el reconocimiento
de la naturaleza intersticial origin al de la neumonía. (Herring,
2016, p. 69)
D. Patrón Neumonía redonda:

▪ Algunas neumonías, principalmente las que afectan a los niños,
pueden adoptar una forma esférica en la radiografía torácica.
▪ Estas neumonías redondas casi siempre tienen una localización

posterior en los pulmones, y se observan generalmente en los
lóbulos inferiores.
▪ Entre los microorganismos causales están Haemophilus

influenzae, Streptococcus y Pneumococcus.
▪ La neumonía redonda puede confundirse con una masa tumoral;

en estos casos se diferencian en que, en los casos de neumonía,
los pacientes suelen presentar sintomatología de infección y en la
escasa frecuencia de tumores en los niños. (Herring, 2016, p. 71)
Según Herring (2016, p. 71), el microorganismo prototípico que causa la

neumonía cavitada es Mycobacterium tuberculosis y puede ser de los siguientes
tipos:
A. Tuberculosis (TB) primaria:

▪ La cavitación es infrecuente en la TB primaria.
▪ La TB primaria afecta a los lóbulos superiores con una frecuencia

ligeramente mayor que a los inferiores y da lugar a una
enfermedad del espacio aéreo que puede asociarse a adenopatía
hiliar ipsolateral y a derrames pleurales de gran volumen y a
menudo unilaterales (Herring 2016, p. 71).
B. TB post-primaria (TB por reactivación):

▪ La cavitación es frecuente.
104
▪ La cavidad suele tener una pared fina, muestra un margen interno
liso y no presenta nivel aire-líquido
▪ La TB post-primaria afecta casi siempre a los segmentos apical o

posterior de los lóbulos superiores, o bien a los segmentos
superiores de los lóbulos inferiores.
▪ La afectación bilateral de los lóbulos superiores es muy frecuente.
▪ La diseminación transbronquial (desde uno de los lóbulos

superiores hasta el lóbulo inferior del pulmón contralateral, o bien
hasta otro lóbulo pulmonar) obliga a descartar una infección por
M. tuberculosis (Herring 2016, p. 72).
Para el desarrollo de las aplicaciones se ha sugerido algunas

metodologías: las metodologías ágiles. Guadalupe et al. (2014) definieron como
comportamiento persistente o habilidad, de entidad sensible, que presenta
flexibilidad para adaptarse a cambios, esperados o inesperados, rápidamente;
persigue la duración más corta en tiempo; usa instrumentos económicos, simples
y de calidad en un ambiente dinámico; y utiliza los conocimientos y experiencia
previos para aprender tanto del entorno interno como del externo (p. 23).
Asimismo, se dedican más a la realización al proyecto antes que la
documentación ya que se adapta a los cambios, utilizando cognición y
experiencia preliminar tanto del en torno como del proyecto (Guadalupe et al.,
2014).
Guadalupe et al. (2014) definieron la metodología scrum como un modelo

de referencia que define un conjunto de prácticas y roles, y que puede tomarse
como punto de partida para definir el proceso de desarrollo que se ejecutará
durante un proyecto. Los roles principales en Scrum son el ScrumMaster, que
mantiene los procesos y trabaja de forma similar al director de proyecto, el
ProductOwner, que representa a los stakeholders (interesados externos o
internos) y el Team que incluye a los desarrolladores (p. 35). Por lo tanto,
pretende centrarse en el desarrollo en un grupo de requerimientos formalmente
determinado, para cumplir roles y funciones que son desarrolladas en un
proyecto.
105
Asimismo, Gonzales y Grimaldo (2017) mencionaron que la intención de
Scrum es la de maximizar la realimentación sobre el desarrollo pudiendo corregir
problemas y mitigar riesgos de forma temprana. Su uso se está extendiendo
cada vez más dentro de la comunidad de Metodologías Ágiles, siendo
combinado con otras – como XP – para completar sus carencias. Cabe
mencionar que Scrum no propone el uso de ninguna práctica de desarrollo en
particular; sin embargo, es habitual emplearlo como un framework ágil de
administración de proyectos que pu ede ser combinado con cualquiera de las
metodologías mencionadas (p. 36).
Seguidamente, es desarrollada con el propósito de obtener resultados con

los requisitos en los proyectos a desarrollo, logrando incrementar e integrar el
software. Según Malpica (2014, p. 50), las ventajas y desventajas de la
metodología agiles son los siguientes:
A. Ventajas de la metodología:
▪ Adecuado manejo de los requerimientos cambiantes
▪ Incentiva la motivación del equipo de desarrollo
▪ El cliente se haya involucrado con el proyecto en un mayor grado
▪ Entrega de un producto funcional al finalizar cada sprint.
▪ Visualización del proyecto día a día.
▪ Permite superar satisfactoriamente los fallos presentados durante

el tiempo de vida del proyecto.
B. Desventajas de la metodología
▪ No genera toda la evidencia o documentación de otras
metodologías.
▪ No es apto para todos los proyectos, sobre todo para aquellos en

los que intervienen equipos dispersos.
106
▪ Es probable que sea necesario complementarlo con otras
metodologías como XP.
Por eso mismo, tener claro la idea y beneficio que brinda la metodología,
cumpliendo con los requerimientos del proyecto, se debe lograr que la
investigación sea de calidad a base de fases de Scrum ya que brinda flexibilidad,
rapidez y obtener resultados únicos determinando sistemas óptimos de software
(Malpica, 2014, p. 50).
107
Anexo 15: Matriz de consistencia
En la tabla 18 se muestra la matriz de consistencia, la que permite construir con tenacidad y rigor científico los problemas, objetivos e hipótesis
generales y específicas en función a la relación de la variable. También muestra los indicadores de sensibilidad, especificidad, exactitud, precisión
y el tiempo de diagnóstico y las fórmulas de los incrementos para cada indicador.
Tabla 18 Matriz de consistencia

PROBLEMA DE OBJETIVOS HIPOTESIS VARIABLE DIMENSIONES INDICADORES
INVESTIGACIÓN
GENERAL
¿Cuál fue el efecto del Determinar el efecto del El algoritmo de
algoritmo de transferencia algoritmo de transferencia transferencia de
de aprendizaje en la de aprendizaje en la aprendizaje incrementó la
sensibilidad, especificidad, sensibilidad, especificidad, sensibilidad, la
exactitud, precisión y exactitud, precisión y especificidad, la exactitud y
tiempo de diagnóstico tiempo de diagnóstico la precisión y redujo el
preliminar de neumonía a preliminar de neumonía a tiempo de diagnóstico
través de imágenes del través de imágenes del preliminar de neumonía a
tórax? tórax través de imágenes del
tórax
ESPECÍFICOS
¿Cuál fue el efecto del Determinar el efecto del El algoritmo de 𝐕𝐏
%𝐒𝐞𝐧𝐬𝐢𝐛𝐢𝐥𝐢𝐝𝐚𝐝 = 𝐱𝟏𝟎𝟎%
algoritmo de transferencia algoritmo de transferencia transferencia de 𝐕𝐏 + 𝐅𝐍
de aprendizaje en la de aprendizaje en la aprendizaje incrementó la VP: verdadero Positivo
sensibilidad de diagnóstico sensibilidad de diagnóstico sensibilidad de diagnóstico FN: Falso negativo
preliminar de neumonía a preliminar de neumonía a preliminar de neumonía a %de incremento de la sensibilidad = (S1 – S0) / S0x100%
través de imágenes del través de imágenes del través de imágenes del S1: Resultado posterior de la sensibilidad
tórax? tórax tórax S0: Resultado anterior de la sensibilidad
(Gordis, 2015, p. 91; Oromendia, Bonillo y Molinero,2015,
p.140
108
¿Cuál fue el efecto del Determinar el efecto del El algoritmo de 𝑽𝑵
%𝑬𝒔𝒑𝒆𝒄𝒊𝒇𝒊𝒄𝒊𝒅𝒂𝒅 = 𝒙𝟏𝟎𝟎%
algoritmo de transferencia algoritmo de transferencia transferencia de Efecto del 𝑽𝑵 + 𝑭𝑷
de aprendizaje en la de aprendizaje en la aprendizaje incrementó la algoritmo de Precisión VN: Verdadero negativo
especificidad de especificidad de especificidad de diagnóstico diagnóstica FP: Falso positivo
diagnóstico preliminar de diagnóstico preliminar de diagnóstico preliminar de preliminar de (Altman y % de incremento de la especificidad = (E1 – E0) /E0x100%
E1: Resultado posterior de la especificidad
neumonía a través de neumonía a través de neumonía a través de neumonía a partir Bossuy, 2005)
E0: Resultado anterior de la especificidad
imágenes del tórax? imágenes del tórax imágenes del tórax de imágenes
(Gordis, 2015, p. 91, Malhotra et at. ,2014, p. 6)
radiográficas de
tórax
¿Cuál fue el efecto del Determinar el efecto del El algoritmo de 𝑉𝑃+𝑉𝑁
%𝐸𝑥𝑎𝑐𝑡𝑖𝑡𝑢𝑑 = 𝑉𝑃+𝑉𝑁+𝐹𝑃+𝐹𝑁 𝑥100%
algoritmo de transferencia algoritmo de transferencia transferencia de
(Hikmat, 2020)
de aprendizaje en la de aprendizaje en la aprendizaje incrementó la Donde:
exactitud de diagnóstico exactitud de diagnóstico exactitud de diagnóstico
VP: Verdadero Positivo
preliminar de neumonía a preliminar de neumonía a preliminar de neumonía a
FN: Falso Negativo
través de imágenes del través de imágenes del través de imágenes del
VN: Verdadero negativo
tórax? tórax tórax FP: Falso positivo
%Incremento de la exactitud=(X1-X0)/X0x100%
X1: Resultado posterior de la exactitud
X0: Resultado anterior de la exactitud
¿Cuál fue el efecto del Determinar el efecto del El algoritmo de 𝑉𝑃
%𝑃𝑟𝑒𝑐𝑖𝑐𝑖𝑜𝑛/𝑉𝑃𝑃 = 𝑥100%
algoritmo de transferencia algoritmo de transferencia transferencia de 𝑉𝑃 + 𝐹𝑃
de aprendizaje en la de aprendizaje en la aprendizaje incrementó la Donde:
precisión de diagnóstico precisión de diagnóstico precisión de diagnóstico VPP: valor predictivo positivo / precisión
preliminar de neumonía a preliminar de neumonía a preliminar de neumonía a VP: Verdadero Positivo
través de imágenes del través de imágenes del través de imágenes del FP: Falso positivo
tórax? tórax tórax %Incremento de la precisión= (P1 – P0) /P0x100%
P1: Resultado posterior a la precisión.
P0: Resultado anterior a la precisión. (Hikmat, 2020)
¿Cuál fue el efecto del Determinar el efecto del El algoritmo de Reducción del tiempo de diagnostico
algoritmo de transferencia algoritmo de transferencia transferencia de RT = Reducción de Tiempo
de aprendizaje en el de aprendizaje en el aprendizaje incrementó en ti= Tiempo inicial del síntoma
tiempo de diagnóstico tiempo de diagnóstico el tiempo de diagnóstico Di = T. en Diagnóstico inicial
preliminar de neumonía a preliminar de neumonía a preliminar de neumonía a Df = T. en Diagnostico final
través de imágenes del través de imágenes del través de imágenes del %Reducción del tiempo =(Df -Di)/Dix100%
tórax? tórax tórax
109

Godoy FVL SD

Cargado por

Copyright:

Formatos disponibles

Godoy FVL SD

Cargado por

Información del documento

Descripción original:

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Godoy FVL SD

Cargado por

Copyright:

Formatos disponibles

FACULTAD DE INGENIERÍA Y ARQUITECTURA

ESCUELA PROFESIONAL DE INGENIERÍA DE

Algoritmo de diagnóstico preliminar de neumonía a partir de

TESIS PARA OBTENER EL TÍTULO PROFESIONAL DE:

Quiero dedicar esta investigación en

Agradezco a los profesores, hermanos y

II. MARCO TEÓRICO ............................................................................................... 10

III. MÉTODO ................................................................................................................ 20

3.1 Tipo y diseño de investigación ........................................................................ 21

3.2 Variable y operacionalización .......................................................................... 22

3.3 Población muestra y muestreo ........................................................................ 23

3.4 Técnicas e instrumentos de recolección de datos ....................................... 25

3.5 Procedimientos .................................................................................................. 25

3.6 Método de análisis de datos ............................................................................ 29

3.7 Aspectos éticos .................................................................................................. 29

IV. RESULTADOS ...................................................................................................... 31

4.1 Cálculo de los indicadores ............................................................................... 32

4.2 Resultados de los cálculos de los indicadores con el algoritmo de

4.3 Análisis del diseño pre-experimental.............................................................. 35

4.4 Prueba de hipótesis........................................................................................... 38

4.5 Resumen de la comprobación de la hipótesis .............................................. 41

VI. CONCLUSIONES ................................................................................................. 47

VII. RECOMENDACIONES ........................................................................................ 50

Tabla 2 Criterios de inclusión y exclusión – Adaptado de Otzen y Manterola

(2017, p. 230). .............................................................................................................. 25

Tabla 3 Lista de imágenes etiquetadas.................................................................... 27

Tabla 4 Matriz de confusión - Permite calcular el porcentaje de los indicadores,

sensibilidad, especificidad, precisión y exactitud (Gordis,2015) .......................... 28

Tabla 5 Matriz de confusión - diagnóstico con 620 imágenes radiográficas de

Tabla 6 Matriz de confusión - diagnóstico con 2381 imágenes radiográficas de

Tabla 7 Matriz de confusión - diagnóstico con 5040 imágenes radiográficas de

Tabla 8 Resultados de tres pruebas de los de los indicadores con la aplicación

3458 imágenes (El Asnaoui et al., 2020) ................................................................. 36

Tabla 10 Resultados de los indicadores para la post-prueba de hipótesis ........ 37

algoritmo de transferencia de aprendizaje, Resnet50 y RNN. ............................. 37

Tabla 12 Resultados de los incrementos de cada indicador ................................ 41

Tabla 13 Resumen de resultados de los indicadores en la comprobación de

neumonía a partir de imágenes radiográficas del tórax ........................................ 65

Tabla 15 Detalle completo de la Dataset Kaggle.................................................... 80

Tabla 16 Patrones que podrían sugerir un microorganismo causal concreto

(Herring, 2016, p. 68) ................................................................................................ 101

2016, p. 69) ................................................................................................................. 102

Tabla 18 Matriz de consistencia .............................................................................. 108

Figura 1. Modelo de diseño de transferencia de aprendizaje............................... 26

Figura 2. Diagrama de flujo del algoritmo de transferencia de aprendizaje ....... 71

Figura 3. Visión general de la metodología (Muhammad, 2020, p.11) ............... 72

Figura 4. Diferentes métricas de rendimiento en diferentes modelos de redes de

aprendizaje profundo (Muhammad, 2020, p. 12).................................................... 73

Figura 5. Resultados previos con modelos de redes neuronales y Dataset de

imágenes de rayos x de tórax (Muhammad, 2020, p.13) ...................................... 74

Figura 6. Arquitectura de entrenamiento de la imagen a través una de una red

neuronal convolucional (Okeke, 2019, p.4). ............................................................ 75

Figura 7. Librerías para aprendizaje automático .................................................... 76

Figura 8. Librerías que identifican la información entre imágenes ...................... 76

Figura 9. Google Colab, un entorno gratuito de Jupyter Notebook que permite

crear código en la nube (Alvez y Vieira, 2020). ...................................................... 77

Figura 10. Imágenes radiográficas de casos normales ......................................... 78

Figura 11. Imágenes radiográficas de casos con neumonía bacteriana ............ 79