Using artificial intelligence and X-Ray images to train and predict COVID-19 and Pneumonia: tool for diagnosis and treatment

Abstract

Ecuador presentó un pico de casos de COVID-19 en enero de 2022, con 890,541 casos confirmados y 35,658 muertes. Además, la influenza y la neumonía, no relacionadas con el COVID-19, estuvieron entre las cinco principales causas de muerte en Ecuador de 2019 a 2020. Chamorro y su equipo mencionaron que los métodos de radiografía de tórax y tomografía computarizada de tórax se utilizan para diagnosticar el COVID-19. Sin embargo, Wong et al. dicen que las radiografías de tórax no son tan sensibles como las tomografías computarizadas de tórax para detectar el COVID-19. Esto es cierto solo cuando no se utiliza inteligencia artificial. En el artículo de Tahir et al., informan que los modelos que utilizan U-net y redes neuronales obtienen sensibilidades por encima del 99% y una especificidad perfecta del 100% utilizando U-Net ++ y ResNet18 con 33,920 imágenes de radiografías de tórax. Un sistema de detección rápida de los síntomas podría haber ayudado a priorizar a los pacientes que necesitaban unidades de cuidados intensivos, reduciendo un porcentaje significativo de muertes. En nuestro trabajo, hemos demostrado que la inteligencia artificial combinada con radiografías de tórax puede tener una precisión binaria por encima del 98% de predicción utilizando transfer learning con las redes neuronales Xception, VGG16 y VGG19. Utilizamos un total de 27,052 imágenes de radiografías de tórax, divididas en las clases COVID, Opacidad Pulmonar, Neumonía Viral y Normal. Balanceamos el conjunto de datos y utilizamos otras técnicas de optimización. Utilizamos las plataformas Google Colab y Kaggle para compilar los códigos con GPUs T4. Obtuvimos un excelente puntaje F1 del 98.53% para el modelo de transferencia de aprendizaje VGG19 utilizando las clases COVID y Normal. VGG19 fue entrenado y probado en clasificación multiclase, obteniendo un puntaje F1 por encima del 89%. Hemos demostrado que VGG19 y otros modelos pueden ser herramientas muy útiles para hospitales públicos y privados para ayudar en el diagnóstico del COVID-19. El trabajo futuro podría incluir la mejora de nuestros resultados de rendimiento utilizando un conjunto de datos más grande y la segmentación U-net.