Data-set class-balancing and the convolutional vision transformer: An analysis of chest radiographs for SARS-CoV-2 detection

Introducción: La pandemia de COVID-19 ha impactado la salud pública y las economías mundiales. Las radiografías de tórax (RTC) desempeñan un papel fundamental en el cribado, especialmente en regiones con recursos limitados. Este trabajo se centra en el desarrollo de un modelo de aprendizaje profundo para la detección de COVID-19 en RTC, con el objetivo de abordar los desafíos asociados con la interpretación manual. Métodos: Nuestro enfoque integra Transformadores de Visión Convolucional con Redes Neuronales Convolucionales tradicionales para el análisis de radiografías de tórax . Utilizando un conjunto de datos de 5572 radiografías de tórax, que incluían diversos grados de COVID-19 y otros tipos de neumonía, el modelo se entrenó con múltiples configuraciones y se evaluó mediante diversas métricas. Cada Configuración de Conjunto de Datos (DSC) implicó 10 iteraciones de entrenamiento. Empleamos una técnica de visualización de la atención mejorada para identificar áreas clave en las radiografías. Resultados: Este trabajo presenta los cinco mejores modelos según los resultados de entrenamiento y validación en diferentes clases radiográficas. El rendimiento del modelo varió según la configuración del conjunto de datos, en particular al distinguir la COVID-19 de otros tipos de neumonía. DSC 6 resultó ser el más eficaz, con una sensibilidad del 97,1 % y una tasa de falsos negativos del 2,9 % durante el entrenamiento, y manteniendo un alto rendimiento durante la validación con una sensibilidad del 87,2 % y una tasa de falsos negativos del 12,8 %. Conclusión: Esta fusión de ingeniería y experiencia médica da como resultado una herramienta de detección eficiente. La crisis de la COVID-19 subraya la importancia de mejorar la preparación sanitaria. Nuestro modelo propuesto alcanza un promedio de recuperación, precisión y sensibilidad superior al 90 %, junto con una baja tasa de falsos negativos. Identifica la COVID-19 de forma fiable en diferentes grados de gravedad y la distingue eficazmente de otros tipos de neumonía, lo que consolida su utilidad como una herramienta robusta para la detección de la COVID-19

• Autores: Escobar Ortiz, Andres F.; Pardo-Cabrera, Josh; Hurtado López, Julián; Ramírez Moreno, David Fernando; Amezquita-Dussan, María A.; Galindo-Sánchez, Juan S.; Sua-Villegas, Luz F.; Fernández-Trujillo, Liliana
• Tipo de recurso: Article of investigation
• Fecha de publicación: 2024
• Institución: Universidad Autónoma de Occidente
• Repositorio: RED: Repositorio Educativo Digital UAO
• Idioma: eng
• OAI Identifier: oai:red.uao.edu.co:10614/16207
• Acceso en línea: https://hdl.handle.net/10614/16207; https://doi.org/10.1016/j.bspc.2024.106190; https://red.uao.edu.co/
• Palabra clave: COVID-19; Diagnóstico por imágenes; Radiografía; Tórax; Redes neuronales; Computadora; Aprendizaje profundo; Diagnostic imaging; Radiography; Thorax; Neural networks; Computer
• Rights: openAccess
• License: Derechos reservados - Elsevier, 2024