Godoy FVL SD
Godoy FVL SD
Godoy FVL SD
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
ii
Agradecimiento
iii
Índice de contenidos
I. INTRODUCCIÓN .................................................................................................... 1
V. DISCUSIÓN ........................................................................................................... 43
REFERENCIAS ............................................................................................................ 53
iv
Índice de tablas
Tabla 1 Tipo y cantidad de imágenes de rayos x ................................................... 24
tórax ............................................................................................................................... 32
tórax ............................................................................................................................... 33
tórax ............................................................................................................................... 34
web ................................................................................................................................. 35
Tabla 9 Resultado de los valores antes de la prueba con la aplicación web para
Tabla 11: Comparación de los resultados entre los indicadores del algoritmo el
hipótesis......................................................................................................................... 42
v
Tabla 14 Matriz de operacionalización del algoritmo de diagnóstico preliminar de
Tabla 17 Resumen de los aspectos clave para reconocer una neumonía (Herring,
vi
Índice de figuras
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
presenta neumonía...................................................................................................... 91
neumonía....................................................................................................................... 92
modelo ........................................................................................................................... 95
viii
Índice de anexos
Anexo 1: Matriz de operacionalización de variables .............................................. 65
ix
Índice de abreviaturas
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.
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?
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).
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).
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.
5
datos o información de otros sujetos selectivamente, de modo que el impacto de
la diferencia individual pueda aliviarse de alguna manera” (p. 90).
7
▪ OE3: Determinar el efecto del algoritmo de transferencia de
aprendizaje en la exactitud de diagnóstico preliminar de neumonía a
través de imágenes radiográficas del tórax.
8
computacional combinado en dos redes individuales es casi idéntico a
su red concatenada” (Salehi et al., 2021).
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.
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.
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).
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).
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).
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.
16
puntuación de memoria del 97.44% y una precisión del 96.00% (Agrawal, 2021,
p. 7).
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).
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).
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 .
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).
22
para detectar el número de pacientes con neumonía y con la especificidad será
considerado la cantidad de pacientes que no la padezcan .
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 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.
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:
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
3.5 Procedimientos
Se lista las imágenes de rayos x de acuerdo a los síntomas con sus respectivos
nombres de los pacientes:
25
Paso 2. Enviar imagen al sistema de predicción
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
26
Paso 3. Para llenar la tabla se consideran:
27
Paso 4. Para obtener la sensibilidad y especificidad, precisión y exactitud
𝑺𝟏 − 𝑺𝟎
%𝑰𝒏𝒄𝒓𝒆𝒎𝒆𝒏𝒕𝒐 𝒅𝒆 𝒔𝒆𝒏𝒔𝒊𝒃𝒊𝒍𝒊𝒅𝒂𝒅 = ( )𝒙𝟏𝟎𝟎%
𝑺𝟎
𝑬𝟏 − 𝑬𝟎
%𝑰𝒏𝒄𝒓𝒆𝒎𝒆𝒏𝒕𝒐 𝒅𝒆 𝑬𝒔𝒑𝒆𝒄𝒊𝒇𝒊𝒄𝒊𝒅𝒂𝒅 = ( )𝒙𝟏𝟎𝟎%
𝑬𝟎
𝑽𝑷𝑷𝟏 − 𝑽𝑷𝑷𝟎
%𝑰𝒏𝒄𝒓𝒆𝒎𝒆𝒏𝒕𝒐 𝒅𝒆 𝑽𝑷𝑷 = ( )𝒙𝟏𝟎𝟎%
𝑽𝑷𝑷𝟎
28
4. Realizar la operación exactitud (Accuracy)
𝑨𝑪𝑪𝟏 − 𝑨𝑪𝑪𝟎
%𝑰𝒏𝒄𝒓𝒆𝒎𝒆𝒏𝒕𝒐𝑨𝑪𝑪 = ( )𝒙𝟏𝟎𝟎%
𝑨𝑪𝑪𝟎
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).
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.
32
Donde:
▪ % Sensibilidad = 86.82%
▪ % Especificidad = 86.26%
▪ % Exactitud = 86.61%
▪ % VPN = 79.76%
Donde:
▪ % Sensibilidad = 82.63%
▪ % Especificidad = 95.42%
▪ % Exactitud = 88.03%
33
▪ % VPN = 80.05%
Predicción
prueba de
Enf ermo sano total
funcionamiento
Actual
Donde:
▪ % Sensibilidad = 95.58%
▪ % Especificidad = 96.62%
▪ % Exactitud = 95.89%
▪ % VPN = 90.34%
34
4.2 Resultados de los cálculos de los indicadores con el algoritmo de
transferencia de aprendizaje
Tabla 8 Resultados de tres pruebas de los de los indicadores con la aplicación web
35
referencia a los valores obtenidos del algoritmo Resnet50 (El Asnaoui et al.,
2020), tal como se aprecia en la tabla 9.
Pre-prueba
Tabla 9 Resultado de los valores antes de la prueba con la aplicación web para
3458 imágenes (El Asnaoui et al., 2020)
36
Post-prueba
Tabla 11: Comparación de los resultados entre los indicadores del algoritmo el
algoritmo de transferencia de aprendizaje, Resnet50 y RNN.
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.
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.
39
(𝟗𝟖. 𝟓𝟏 − 𝟗𝟖, 𝟒𝟗)
%𝑽𝒂𝒓𝒊𝒂𝒄𝒊ó𝒏 𝒅𝒆 𝒑𝒓𝒆𝒄𝒊𝒔𝒊𝒐𝒏 (𝑽𝑷𝑷) = 𝒙𝟏𝟎𝟎% = 𝟎. 𝟎𝟐%
𝟗𝟖. 𝟒𝟗
𝟖. 𝟔𝟓 − 𝟏. 𝟖𝟓
%𝑹𝒆𝒅𝒖𝒄𝒄𝒊𝒐𝒏 𝒅𝒆 𝒕𝒊𝒆𝒎𝒑𝒐 = ( ) 𝒙𝟏𝟎𝟎% = 𝟕𝟖. 𝟔𝟏%
𝟖. 𝟔𝟓
40
Tabla 12 Resultados de los incrementos de cada indicador
Hipótesis general
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.
44
librería Keras dentro de Tensorflow para facilitar un proceso de experimentación
rápida y con precisión.
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.
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:
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.
49
VII. RECOMENDACIONES
50
Las recomendaciones para futuras investigaciones son las siguientes:
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
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
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.
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.
ETHEM ALPAYDIN. Machine Learning: The New AI. The MIT Press, 2016.
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.
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.
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
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
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
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
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
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
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
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
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
leer predicciones
leer exactitud
leer matrizdeConfucion
mostrar ‘matriz_de_Confusión’
PROCESO
66
Mostrar_precision, sensibilidad, especificidad, exactitud’
FIN_SI
Función defineModelArchitecture(img_dims):
salida x
salida x
salida x
salida x
Salida x
FIN_FUNCION
SI función == ‘/PULMON/’:
67
escribir etiqueta = 0
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
70
Anexo 3: Flujograma del sistema de diagnóstico preliminar de neumonía
71
Anexo 3: Arquitectura metodológica para el entrenamiento de la imagen
radiográficas de tórax
72
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
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
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.
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.
80
Anexo 11: Inicio de codificación con la Importación de librerías
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.
83
Figura 18. Preparando la data para el modelo
84
11.2. Código para obtener la matriz de confusión
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).
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.
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.
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”.
89
12.4. Evaluación para pacientes sanos que no poseen neumonía
90
12.6. Evalúa y muestra el resultado del diagnóstico
Figura 30. Mensaje de imagen procesada de una radiografía de tórax que no presenta
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
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.
93
Figura 35. La lista descargada en un block de notas
94
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
algunos modelos lineales de implementación ampliamente utilizados y robustos
y algoritmos de aprendizaje profundo (Karim, 2018).
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).
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).
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:
98
dividimos el número total de personas con resultados positivos (verdaderos
positivos + falsos positivos)” (p. 100). Del mismo modo, Martínez (2020)
mencionó:
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).
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).
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).
Tabla 17 Resumen de los aspectos clave para reconocer una neumonía (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).
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)
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).
A. Ventajas de la metodología:
B. Desventajas de la metodología
▪ No genera toda la evidencia o documentación de otras
metodologías.
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.
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