Detección de la tuberculosis con algoritmos de Deep Learning en imágenes de radiografías del tórax
Contenido principal del artículo
Se estima que en 2019 murieron alrededor de 1,4 millones de personas infectadas por tuberculosis, gran parte de ellos en países en desarrollo. Si la tuberculosis se hubiera diagnosticado oportunamente se habría evitado la muerte de las personas infectadas. Uno de los métodos de detección de tuberculosis más relevante es el análisis de radiografías del tórax; sin embargo, contar con profesionales altamente capacitados para el diagnóstico de la tuberculosis en todos los centros de salud es imposible en los países emergentes, este es uno de los principales motivos de que este método no sea ampliamente usado. En las últimas décadas las redes neuronales han tenido un papel muy relevante en la solución de problemas de la sociedad y en especial en el sector salud. Se ha empleado tres algoritmos de aprendizaje profundo reconocidos en el desarrollo de visión computacional que son VGG19, MobileNet e InceptionV3, se ha logrado obtener resultados muy auspiciosos para la detección de la tuberculosis. Caso especial ha sido MobileNet que ha destacado entre las demás, dando resultados importantes en las diferentes métricas de evaluación empleadas. Además, MobileNet cuenta con una arquitectura menos compleja y los pesos obtenidos después del entrenamiento son muy menores en comparación de los otros dos algoritmos. Se concluye que MobileNet es el algoritmo de Deep Learning más eficiente a comparación de VGG19 e InceptionV3, cuenta con mejor precisión para la detección de la tuberculosis y; el costo computación y tiempo de procesamiento es significativamente menor.
Descargas
Detalles del artículo
Taye H, Alemu K, Mihret A, Wood JLN, Shkedy Z, Berg S, et al. Factors associated with localization of tuberculosis disease among patients in a high burden country: A health facility-based comparative study in Ethiopia. J Clin Tuberc Other Mycobact Dis. 2021;23(March):1–6.
National Institute for Research in Tuberculosis, Tripathy S. Tuberculosis research conducted over the years at the ICMR-National Institute for Research in Tuberculosis (ICMR- NIRT). Indian J Tuberc [Internet]. 2020;67(4):S7–15. Available from: https://doi.org/10.1016/j. ijtb.2020.12.001
World Health Organization. Chest Radiography in Tuberculosis. World Heal Organ. 2016;1–44.
Huicho L, Canseco FD, Lema C, Jaime Miranda J, Lescano AG. Incentivos para atraer y retener personal de salud de zonas rurales del PERÚ: Un estudio cualitativo. Cad Saude Publica. 2012;28(4):729–39.
Agarwala S, Kale M, Kumar D, Swaroop R, Kumar A, Kumar Dhara A, et al. Deep Learning for screening of interstitial lung disease patterns in high-resolution CT images. Clin Radiol [Internet]. 2020;75(6):481.e1-481.e8. Available from: https://doi.org/10.1016/j. crad.2020.01.010
Kerkech M, Hafiane A, Canals R. Vine disease detection in UAV multispectral images using optimized image registration and Deep Learning segmentation approach. Comput Electron Agric. 2020;174(April)
Xiao W, Huang X, Wang JH, Lin DR, Zhu Y, Chen C, et al. Screening and identifying hepatobiliary diseases through Deep Learning using ocular images: a prospective, multicentre study. Lancet Digit Heal [Internet]. 2021;3(2):e88–97. Available from: http://dx.doi. org/10.1016/S2589-7500(20)30288-0
Thompson NC, Greenewald K, Lee K, Manso GF. The Computational Limits of Deep Learning. arXiv. 2020
Khan FA, Majidulla A, Tavaziva G, Nazish A, Abidi SK, Benedetti A, et al. Chest x-ray analysis with Deep Learning-based software as a triage test for pulmonary tuberculosis: a prospective study of diagnostic accuracy for culture- confirmed disease. Lancet Digit Heal [Internet]. 2020;2(11):e573–81. Available from: http:// dx.doi.org/10.1016/S2589-7500(20)30221-1
Deng J, Russakovsky O, Krause J, Bernstein M, Berg A, Fei-fei L. Scalable Multi- label Annotation. 2014;1–4
Rahman T, Khandakar A, Kadir MA, Islam KR, Islam KF, Mazhar R, et al. Reliable tuberculosis detection using chest X-ray with Deep Learning, segmentation and visualization. IEEE Access. 2020;8:191586–601
Jaeger S, Candemir S, Antani S, Wáng Y-XJ, Lu P-X, Thoma G. Two public chest X-ray datasets for computer-aided screening of pulmonary diseases. Quant Imaging Med Surg. 2014;4(6):475–7
Szegedy C, Vanhoucke V, Ioffe S, Shlens J, Wojna Z. Rethinking the Inception Architecture for Computer Vision. Proc IEEE Comput Soc Conf Comput Vis Pattern Recognit. 2016;2016-Decem:2818–26
Howard A, Wang W, Chu G, Chen L, Chen B, Tan M. Searching for MobileNetV3 Accuracy vs MADDs vs model size. Int Conf Comput Vis. 2019;1314–24
Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. 3rd Int Conf Learn Represent ICLR 2015 - Conf Track Proc. 2015;1–14