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

Abstract

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

Pneumonia and tuberculosis (TB) are among the most prevalent respiratory diseases in children aged one to five in Peru. Rapid and effective diagnosis is essential for healthcare institutions as it enhances patient outcomes and optimizes institutional efficiency and response capacity. Deep learning (DL) applied to medical image analysis has proven to be valuable for automatic pathology diagnosis, helping physicians increase diagnostic accuracy and reduce human error. This study developed a model based on the ResNet architecture to detect pneumonia and TB chest X-rays, using a database of 5856 medical images from the Guangzhou Women and Children's Medical Center and the National Institute of Allergy and Infectious Diseases. The final validation results showed that ResNet outperformed EfficientNet in detecting TB and pneumonia, achieving lower validation loss (7,46% vs. 10,59% for TB and 41,73% vs. 46,91% for pneumonia) and higher accuracy (97,62% vs. 95,71% for TB and 86,06% vs. 83,03% for pneumonia), confirming ResNet as the more suitable model. Implemented on an interactive digital platform in Python and HTML, the model facilitates clinical access and integration. Overall, this study highlights ResNet's potential to enhance TB and pneumonia diagnosis and emphasizes the importance of further optimizing DL models in the medical field.