Sistema de visión artificial para detectar neumonía a partir de imágenes radiológicas utilizando técnicas de aprendizaje profundo

Abstract

Este proyecto propone el desarrollo de un sistema de visión artificial basado en aprendizaje profundo para apoyar el diagnóstico de neumonía a partir de radiografías de tórax, con énfasis en la accesibilidad y en la contribución a un diagnóstico clínico preciso. La investigación parte del análisis del proceso diagnóstico actual en Bolivia, considerando la normativa vigente y la experiencia de profesionales en salud. Se seleccionó la arquitectura ResNet-50, preentrenada con ImageNet, y se la adaptó para la clasificación binaria de neumonía. Se utilizaron los conjuntos de datos públicos Kermany y RSNA, y se desarrollaron algoritmos de preprocesamiento de imágenes para adaptar los datos a la arquitectura seleccionada. Con estos insumos, se entrenaron seis modelos, variando hiperparámetros y épocas de acuerdo con literatura especializada. La evaluación se llevó a cabo mediante métricas como exactitud, precisión, sensibilidad, F1 y AUC, lo que permitió identificar el modelo con mejor rendimiento. El desarrollo se enmarcó en la metodología ágil Mobile-D, adecuada para aplicaciones móviles, lo cual facilitó la iteración continua entre diseño, implementación e integración. El modelo final se integró en un prototipo funcional para Android que permite al usuario cargar o capturar una imagen radiológica y obtener una clasificación con su respectiva probabilidad, de manera offline. La validación, realizada junto a un radiólogo, arrojó resultados prometedores, confirmando el potencial del sistema como herramienta tecnológica de apoyo al diagnóstico médico en el sistema de salud boliviano.