Diagnóstico inteligente de COVID-19 mediante deep learning aplicado a imágenes de tomografía computarizada

Abstract

El COVID-19 ha causado estragos en los sistemas de salud de los países afectados, debido a su naturaleza altamente contagiosa los centros médicos no cuentan con la capacidad suficiente para atender a los pacientes con síntomas por lo que se vuelve deseable el uso de una herramienta que permita analizar rápidamente las imágenes de tomografía computarizada del tórax en busca de un diagnóstico. En este trabajo se propone una solución basada en redes neuronales que permita clasificar imágenes CT en COVID-19 o No COVID-19 según las lesiones presentes en ellas. Para esto se hizo un modelo compuesto por una red neuronal base y un componente adicional para proveer información detallada de las imágenes. Los principales resultados obtenidos son AUC 0,67, recall 0,65 y specificity 0,69. Los resultados indican que el modelo tiene cierta capacidad de discriminación entre COVID-19 y No COVID-19 pero no se compara con las propuestas del estado del arte, sin embargo, el potencial de mejora que tiene la solución propuesta es grande.

COVID-19 has wreaked havoc in the health systems of the affected countries. Due to its highly contagious nature, medical centers do not have sufficient capacity to care for patients with symptoms, making the use a tool that allows rapid analysis of CT images of the thorax in search of a diagnosis desirable. In this work, a neural network-based solution is proposed to classify CT images into COVID-19 or Non-COVID-19 according to the lesions present in them. For this purpose, a model composed of a base neural network and an additional component to provide detailed information of the images was developed. The main results obtained are AUC 0,67, recall 0,65 and specificity 0,69. The results indicate that the model has some discrimination capability between COVID-19 and Non COVID-19 but does not compare with the state of the art proposals, however, the potential for improvement that the proposed solution has is vast.