La neumonía es una de las principales causas de mortalidad a nivel mundial; por tanto, el diagnóstico debe ser preciso y en el tiempo que demanda la radiografía del tórax. El objetivo del trabajo de investigación es desarrollar un sistema para la clasificación de imágenes médicas utilizando redes neuronales convolucionales.
Se utilizó un conjunto de datos públicos “Chest-X-Ray Images (Pneumonia)” de la plataforma de Kaggle. Su desarrollo fue llevado a cabo en el entorno de Google Colab con las librerías TensorFlow y Keras. Se incluyó un procesamiento de las imágenes, una aplicación de aumento de datos (data augmentation), así como la creación de una propia arquitectura de red neuronal convolucional. Se trata de una arquitectura compuesta por 3 capas convolucionales secuenciales, cada capa con Normalización y una capa de agrupación máxima, seguidas de capas densas para clasificar las imágenes finales.
El modelo entrenado fue posteriormente validado en un conjunto de validación independiente, a partir de los resultados obtenidos, es posible concluir el rendimiento robusto del mismo, alcanzando una exactitud general de 91% y un Área Bajo la Curva ROC (AUC) de 0.98. Para la clase ‘neumonía’, el modelo alcanzó una precisión de 0.98 y una sensibilidad de 0.84, lo que pone de manifiesto su excelente capacidad para confirmar que un caso positivo lo es y su buena capacidad para detectarlos.
