Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
DIAGNÓSTICO DE NEUMONÍA EN NEONATOS CON INTELIGENCIA ARTIFICIAL A TRAVÉS DE RADIOGRAFÍAS DE TÓRAX DAVID SANTIAGO RESTREPO VALENCIA 67000104 TRABAJO DE GRADO ASESOR: VERONICA CASTRO MUNAR UNIVERSIDAD CATOLICA DE COLOMBIA FACULTAD DE INGENIERIA PROGRAMA INGENIERIA DE SISTEMAS Y COMPUTAICON TRABAJO DE INVESTIGACION Y TECNOLOGIA BOGOTA D.C 2021 DIAGNÓSTICO DE NEUMONÍA EN NEONATOS CON INTELIGENCIA ARTIFICIAL A TRAVÉS DE RADIOGRAFÍAS DE TÓRAX Autor DAVID SANTIAGO RESTREPO VALENCIA Propuesta de Trabajo de grado presentado como requisito para optar al título de INGENIERO DE SISTEMAS Y COMPUTACIÓN Asesor: Verónica Castro Munar Co-Asesores: Md Luis Carlos Méndez Córdova INGENIERÍA DE SISTEMAS Y COMPUTACIÓN FACULTAD DE INGENIERÍA UNIVERSIDAD CATÓLICA DE COLOMBIA BOGOTÁ, 2021 https://creativecommons.org/licenses/by/4.0/deed.es https://creativecommons.org/licenses/by/4.0/deed.es AGRADECIMIENTOS Agradezco principalmente a Dios por la oportunidad y privilegio de poder estudiar y culminar mi estudio profesional, a mi familias, amigos y conocidos que estuvieron presentes en todo el proceso de crecimiento y que nos dieron lo mejor de ellos para avanzar hasta el final. De la misma manera a mi madre Diana valencia, y a mi tío Andrés Valencia por ser los principales promovedores del cumplimiento de mis metas y mis sueños, por confiar plenamente en mis capacidades: Agradecer por los valores, principios y consejos que me han formado e instruido para hoy ser la persona quien soy. Agradecimientos los docentes de la Universidad Católica de Colombia, por haber compartido sus conocimientos en el transcurso y preparación como profesional, Dar gracias a la ingeniera Verónica Castro Munar por apoyar nuestra idea y compartir sus conocimientos. Y finalmente pero no menos importante agradecer de manera especial al Doctor Luis Carlos Méndez Córdoba quien fue el apoyo en el área de la medicina, donde guio, instruyo con paciencia para trasferir sus conocimientos y habilidades aportando todo lo mejor para este proyecto de investigación. DEDICATORIA Dedico este trabajo principalmente a Dios, por haberme dado la vida y permitirme haber llegado hasta este momento que es tan importante para mi vida, y como formación profesional. Además, Este trabajo lo dedico a mi familia por ser mi apoyo incondicional para culminar mi carrera como ingeniero de sistemas y computación con éxito. A mi madre Paola Valencia que me dio su apoyo en todo momento y sus palabras de aliento, a mi tío Andrés Valencia por su concejos incondicionales y apoyo moral, a mi abuelita Leonor Rojas por su acompañamiento permanente en esta etapa, y final mente a mi abuelo Carlos Valencia por comprensión y respaldo en este proceso. RESUMEN ............................................................................................................. 18 ABSTRACT ............................................................................................................ 19 INTRODUCCION ................................................................................................... 20 1. PROBLEMA DE INVESTIGACION ................................................................. 23 1.1. Planteamiento del problema ..................................................................... 23 1.2. Formulación de la pregunta problema ...................................................... 24 1.3. Sistematización del problema ................................................................... 24 2 OBJETIVOS .................................................................................................... 26 2.1. Objetivo general ........................................................................................ 26 2.2. Objetivos específicos ................................................................................ 26 3 JUSTIFICAION ................................................................................................ 27 4 MARCO DE REFERENCIA ............................................................................. 28 4.1. Marco teórico ............................................................................................ 28 4.1.1. Machine learning, deep learning y inteligencia artificial ...................... 28 4.1.2. Machine learning ................................................................................ 28 4.1.3. Deep learning y aprendizaje profundo ................................................ 29 4.1.4. Convolucional Neuronal Networks (CNN) .......................................... 29 4.2. Marco conceptual ..................................................................................... 40 4.2.1. Desarrollo funcional del aparato respiratorio ...................................... 40 4.2.2. Embriología y sistema respiratorio ..................................................... 40 4.2.3. Desarrollo pulmonar fetal o prenatal .................................................. 41 4.3. Estado del arte .......................................................................................... 52 4.4. Herramientas de software utilizado ........................................................... 55 4.4.1. Python ................................................................................................ 55 4.4.3. React .................................................................................................. 56 4.4.4. Visual Studio Code: ............................................................................ 56 4.4.5. Portman .............................................................................................. 56 4.4.6. Google Colab ..................................................................................... 56 4.4.7. Bootstrap ............................................................................................ 57 4.4.8. C# ....................................................................................................... 57 5 METODOLOGÍA .............................................................................................. 58 5.1. Fase 1: Estructuración e interpretación de datos ...................................... 58 5.2. Fase 2: Construcción y entrenamiento del modelo ................................... 59 5.3. Fase 4: Evaluación del algoritmo .............................................................. 62 5.4. Fase 5: Desarrollo de aplicativo web ........................................................ 63 6 RECOPILACION DE DATOS .......................................................................... 65 6.1. Dataset elegidos ....................................................................................... 65 6.2. Dataset Final ............................................................................................. 66 7 DEFINICION DE VARIABLES DE ENTRADA Y DE SALIDA .......................... 68 7.1. Selección de características ..................................................................... 69 7.2. Variables de entrada ................................................................................. 69 7.3. Variables de salida ................................................................................... 70 8 MODELOS CONSTRUIDOS ........................................................................... 71 8.1. Modelos base ........................................................................................... 71 8.2. Modelo por algoritmo AlexNet ................................................................... 72 8.3. Modelo por algoritmo VGG16 ................................................................... 74 8.4. Comparación de resultados obtenidos......................................................76 8.5. Validación del modelo ............................................................................... 81 9 CONSTRUCCIÓN PÁGINA WEB ................................................................... 83 9.1. Modelado funcional ................................................................................... 83 9.1.1. Definición del producto a obtener ....................................................... 83 9.1.2. Requerimientos específicos de interfaces .......................................... 83 9.1.3. Caracterización del producto de software .......................................... 84 9.2. Modelado Estructural .............................................................................. 102 9.2.1. Diagrama de clases .......................................................................... 102 9.2.2. Diccionario de clases ....................................................................... 102 9.2.3. Modelo de persistencia .................................................................... 105 10. CASO CLINICO ......................................................................................... 109 11. CONCLUSIONES ...................................................................................... 113 12. RECOMENDACIONES A TRABAJOS FUTUROS ..................................... 114 13. REFERENCIAS .......................................................................................... 115 14. ANEXOS .................................................................................................... 121 TABLA DE FIGURAS Figura 1. Ejemplo de radiografías de tórax, con hallazgos de los bronquiolos ...... 21 Figura 2. Radiografía de tórax en proyección antero - posterior y lateral............... 25 Figura 3. Intelligence Artificial, Machine Learning y Deep Learning ....................... 28 Figura 4 Convolucional Neuronal Networks ........................................................... 29 Figura 5. Estructura red nuronal artificial ............................................................... 30 Figura 6. Esquema de una Red Neuronal (Pesos, Función de activacion) ........... 31 Figura 7. Convolución que alimenta a la siguiente capa de entrada ...................... 32 Figura 8. Esquema general de CNN ...................................................................... 33 Figura 9. Depth and stride ...................................................................................... 34 Figura 10. Arquitectura modelo LeNet-5 ................................................................ 35 Figura 11. Arquitectura modelo AlexNet ................................................................ 35 Figura 12. Arquitectura VGG16 con parametros de entrada y salida ..................... 36 Figura 13. Arquitectura del modelo VGG16 ........................................................... 37 Figura 14. Arquitectura de ResNet ......................................................................... 39 Figura 15. Mapa de activación de clases para modelos de aprendizaje ................ 40 Figura 16. Desarrollo pulmonar .............................................................................. 41 Figura 17. Período pseudoglandular ...................................................................... 42 Figura 18. Alveolo .................................................................................................. 43 Figura 19. Trabajo respiratorio ............................................................................... 45 Figura 20. Tórax ..................................................................................................... 45 Figura 21. Faringe .................................................................................................. 46 Figura 22. Tráquea................................................................................................. 47 Figura 23. Laringe .................................................................................................. 47 Figura 24. Neumonía en pulmones ........................................................................ 48 Figura 25. Radiografía de tórax ............................................................................. 51 Figura 26. Diagnóstico por radiografía ................................................................... 52 Figura 27. Detección de neumonía en una imagen por recuadros ........................ 54 Figura 28. Metodología .......................................................................................... 58 Figura 29. Librerías de Python. .............................................................................. 59 Figura 30. Esquema de la arquitectura propuesta para la implementación de modelo ............................................................................................................................... 60 Figura 31. Diagrama de bloques del algoritmo ...................................................... 61 Figura 32. Configuración de entorno en Google Colab. ......................................... 61 Figura 33. Arquitectura de funcionamento de aplicativo web ................................. 63 Figura 34. Arquitectura de los archivos del dataset con cantidad de imágenes disponibles por carpeta .......................................................................................... 66 Figura 35. Árbol de diagrama de entrada de imagen por dos modelos.................. 68 Figura 36. Cambio de imagen de rescala de entrada ............................................ 70 Figura 37. Parametros de salida ............................................................................ 70 Figura 38. Arquitectura simpre de una red neuronal .............................................. 71 Figura 39. Perceptron red neuronal ....................................................................... 72 Figura 40. Maquetacion Grafica del modelo de AlexNet ........................................ 72 Figura 41 Modelo AlexNet implementado en google colab mostrando la arquitectura de la red neuronal .................................................................................................. 73 Figura 42 Maquetacion Grafica del modelo de VGG16 .......................................... 74 Figura 43 Modelo VGG16 implementado en google colab mostrando la arquitectura de la red neuronal .................................................................................................. 75 Figura 44. Grafica de Accuracy vs épocas Alexnet ................................................ 77 Figura 45. Grafica de Loss vs Epocas Alexnet ...................................................... 77 Figura 46. Grafica de Loss vs Epocas VGG16 ...................................................... 78 Figura 47. Grafica de Accuracy vs épocas VGG16 ................................................ 79 Figura 48 Tiempo de ejecución .............................................................................. 79 Figura 49. Comparacion de modelos ..................................................................... 80 Figura 50. Parametros de visualizacion del modelo ............................................... 82 Figura 51. Actres del sistema ................................................................................. 85 Figura 52. Ejecucion de la aplicacion web ............................................................. 85 Figura 53. Seleccionar patología ........................................................................... 86 Figura 54. Cargar la imagen .................................................................................. 86 Figura 55. Ver predidcion del modelo .................................................................... 87 Figura 56. Iniciar sesión .........................................................................................96 Figura 57. Registrarse ............................................................................................ 97 Figura 58. Cerrar sesion ........................................................................................ 98 Figura 59. Menu de patologias ............................................................................... 99 Figura 60. Neumonía ........................................................................................... 100 Figura 61. Cargar imagen .................................................................................... 100 Figura 62. Generar diagnostico ............................................................................ 101 Figura 63. Diagrama de clases ............................................................................ 102 Figura 64. Mapa de navegacion del aplicativo web.............................................. 106 Figura 65. Costo de la app service....................................................................... 108 Figura 66. Componentes app Service .................................................................. 108 Figura 67. Radiografias de torax caso clinico ...................................................... 110 Figura 68. Radiografia 1 caso clinico con dictamen medico. ............................... 111 Figura 69. Radiografia 2 caso clinico complicacion.............................................. 111 ÍNDICE DE TABLAS Tabla 1. Comparación de los cinco mejores modelos de clasificación de arquitecuras de red clásicas con pruebas ILSVRC ............................................... 37 Tabla 2. Tamaño de datasets encontrados, definidos por carpetas. ...................... 66 Tabla 3. Metricas de evaluacion Alexnet ................................................................ 76 Tabla 4. Metricas de evaluacion de algotimo VGG16 ............................................ 78 Tabla 5. Comparación resultados .......................................................................... 80 Tabla 6. Falsos positivos ........................................................................................ 81 Tabla 7. Requerimientos funcionales ..................................................................... 84 Tabla 8. Iniciar sesión ............................................................................................ 88 Tabla 9. Registrar usuario ...................................................................................... 89 Tabla 10. Cerrar sesión .......................................................................................... 90 Tabla 11. Seleccionar patología ............................................................................. 91 Tabla 12. Seleccionar neumonia ............................................................................ 92 Tabla 13. Cargar imagen ....................................................................................... 93 Tabla 14. Generar diagnostico ............................................................................... 94 Tabla 15. Ver resultados ........................................................................................ 95 Tabla 16. Clase usuario ....................................................................................... 103 Tabla 17. Clase sesión ......................................................................................... 103 Table 18. Clase Diagnostico ................................................................................ 104 TABLA DE ECUACIONES Ecuación 1. Sumatoria salida de neurona .............................................................. 31 Ecuación 2. Sensibilidad ........................................................................................ 62 Ecuación 3. Precision ............................................................................................. 63 Ecuación 4. Sensibilidad ........................................................................................ 81 Ecuación 5. Especificidad ...................................................................................... 81 TABLA DE ANEXOS Anexo 1. Conjunto de datos: ............................................................................... 121 Anexo 2. Repositorio de código modelo 1, basado en arquitectura VGG16 ........ 121 Anexo 3. Repositorio de código modelo 2, basado en arquitectura AlexNet ........ 121 Anexo 4. Repositorio de código del API ............................................................... 121 Anexo 5. Repositorio de código del BackEnd ...................................................... 121 Anexo 6. Repositorio de código del FrontEnd ...................................................... 121 Anexo 7. Reunion caso clinico doctor Luis Carlos Mendez Cordoba ................... 122 PERIODO: 2021-3 PROGRAMA ACADÉMICO: Ingeniería de sistemas y computación ESTUDIANTE: NOMBRE: David Santiago Restrepo Valencia CÓDIGO: 67000104 CORREO: dsrestrepo04@ucatolica.edu.co DIRECTOR SUGERIDO: Verónica Castro Munar ALTERNATIVA: Trabajo de investigación TÍTULO Diagnóstico de neumonía en neonatos con inteligencia artificial a través de radiografías de tórax ALTERNATIVA Teniendo en cuenta Acuerdo 265/2018: “Por el cual se aprueban los lineamientos y las opciones de grado para los programas académicos de la Facultad de Ingeniería de la Universidad Católica de Colombia”. Se elige la alternativa de trabajo de investigación. LÍNEA DE INVESTIGACIÓN Modelos estocásticos. Modelo Deep learning basado en la arquitectura VGG16 para detección de neumonía a través de imágenes de radiografías de tórax en pacientes neonatales. EJE TEMÁTICO La temática principal abarca generar un modelo de aprendizaje profundo que permita identificar neumonía infantil por medio de imágenes de radiografías de tórax, apoyando en la al diagnóstico del especialista tratante. Además, proporcionar un sistema de telemedicina que permita reconocer el modelo, y generar predicciones. RESUMEN La neumonía infantil es la causante de la muerte de alrededor de 700.000 niños cada año sin respetar el orden, género o razón social. [1] Las radiografías de tórax son utilizadas para el diagnóstico de esta patología. Sin embargo, para un radiólogo que no cuente con la experticia se puede tornar complicado diagnosticar esta enfermedad. Además de esto en las zonas rurales muchas veces no se cuenta con la presencia de un especialista para detectar a tiempo la enfermedad pulmonar. En este trabajo se propone un algoritmo eficiente para la detección temprana y oportuna de la neumonía, entrenado por imágenes de radiografía digital de tórax, esto podría ayudar significativamente a los radiólogos con la toma de decisiones y más aun presentando ayuda a los centros médicos en lugares apartados ya que no cuentan con los equipos médicos y el personal calificado. El algoritmo propuesto está a la vanguardia de los modelos de aprendizaje modernos de última generación contando con AlexNet, GoogleNet, VGGNet y ResNet [2]. Esto da una orientación del algoritmo con un aprendizaje supervisado en el cual la red neuronal va a arrojar el resultado o predicción con respecto al conjunto de datos utilizado este tipo de aprendizaje se distingue por el tipo de variable que se usará. ya que el modelo se implementa de tipo categórico. Finalmente, el modelo se evaluará con respecto al porcentaje de salida del accuracy y la valoración del médico Md Luis Carlos Méndez Córdoba neumólogo del Hospital Cardio Infantil, el cual evaluará la predicción del modelo para certificar que el algoritmo ya que se puede utilizar para el diagnóstico rápido de la neumonía neonatal y que puede ayudar a los radiólogos en el proceso retrasado del diagnóstico. Teniendoen cuenta de que se presentan tiempos de validación de por parte del personal médico de 15 minutos en promedio teniendo en cuenta la pericia del radiólogo datos proporcionados por el Medico tutor de la tesis, en promedio el algoritmo está contando de un procesamiento por imagen de 0.75 segundos de la cual valida la radiografía y envía un parámetro de salida que es, la predicción computacional obtenida. Palabras clave: X-ray, Inteligencia artificial, reconocimiento de formas, Sistema experto, análisis cuantitativo de imágenes, Deep convolucional neural, Conv2D ABSTRACT Childhood pneumonia is the cause of the death of around 700,000 children each year without respecting order, gender, or social reason. Chest X-rays are used for the diagnosis of this pathology. However, for a radiologist who does not have the expertise, it can become difficult to diagnose this disease. In addition to this, in rural areas, the presence of a specialist is often not available to detect lung disease in time [1]. This work proposes an efficient algorithm for the early and timely detection of pneumonia, trained by radiography images digital chest, this could significantly help radiologists with decision-making and even more by presenting help to medical centers in remote locations since they do not have the medical equipment and qualified personnel. The proposed algorithm is at the forefront of the latest generation modern learning models with AlexNet, GoogleNet, VGGNet, and ResNet [2].This gives an orientation of the algorithm with supervised learning in which the neural network will give the result or prediction with respect to the data set used, this type of learning is distinguished by the type of variable that will be used. since the model is implemented of a categorical type. Finally, the model will be evaluated with respect to the percentage of accuracy output and the assessment of the physician Md Luis Carlos Méndez Córdoba pulmonologist at the Hospital Cardio Infantil, who will evaluate the prediction of the model to certify that the algorithm can be used for diagnosis. of neonatal pneumonia and that can help radiologists in the delayed process of diagnosis. Taking into account that validation times are presented by the medical staff of 15 minutes on average taking into account the expertise of the radiologist data provided by the medical tutor of the thesis, on average the algorithm is counting on an image processing of 0.75 seconds from which it validates the radiograph and sends an output parameter that is, the computational prediction obtained Keywords: X-rays, Artificial intelligence, shape recognition, Expert system, image quantitative analysis, Deep Convolutional Neural, conv2D. INTRODUCCION La neumonía es una infección respiratoria aguda que es catalogada como una de las enfermedades a neonatos más silenciosa y mortal, esta proporciona un gran porcentaje de defunciones de neonatos en el mundo. [1] La neumonía se toma la vida de más de 800.000 niños menores de 5 años [3], estas cifras que nos arrojan la organización mundial de la salud aclaran que es una enfermedad con más muertes neonatales por año debidas a infecciones respiratorias en los países en vías de desarrollo. [4] De los cuales hay un estimado de 3.9 a 10.8 millones de defunciones anuales en neonatos, dicha patología es la causante del 20 al 38% de las muertes en la primera 48 horas de vida del neonato, esta cifra hace referencia a la neumonía temprana, la cual comprende a los primeros 7 días de vida y es la más mortal. Además, se comprende también la neumonía tardía la cual abarca desde el día 8 al 28 de vida. [5] En América Latina según la asociación colombiana de neumología pediátrica, el 94% de las muertes ocurren en catorce países, los cuales tienen un TMI (tasa de mortalidad infantil) mayor de 30/1000(treinta sobre mil nacidos vivos) nacidos vivos. Colombia está entre el grupo intermedio de países con un TMI entre 20 y 30/1000(veinte y treinta sobre mil nacidos vivos) nacidos vivos, cercano a 28 que corresponde a 27.675 muertes por año. Por otro lado, según la organización panamericana de salud en 2003, Colombia tiene una tasa de mortalidad de menores de cinco años de 31 es decir que en el país mueren 48 niños diariamente por enfermedades prevenibles o fácilmente curables en su curso inicial. De estas muertes, 10%, es decir, al menos cuatro niños, son por neumonía [6]. Las infecciones respiratorias mantienen un riesgo elevado, esencialmente en enfermedades infecciosas transmisibles, principalmente las patologías que afectan el tracto respiratorio y el árbol pulmonar [7]. Pero la neumonía es una enfermedad que con el reconocimiento precoz o la identificación rápida se puede realizar el tratamiento oportuno. suministrando el uso de medicamentos y el procedimiento adecuado para el neonato. De esta manera se puede ayudar a reducir la mortalidad neonatal [8] que se presentan en el mundo. Generalmente el diagnóstico de una enfermedad depende casi exclusivamente de la experiencia del médico que ante un posible caso de neumonía y tras una valoración clínica inicial debe realizar necesariamente una radiografía de tórax (RxT) para establecer el diagnóstico más preciso. La necesidad de un diagnóstico eficaz y certero para identificar esta patología se contrasta con la repetitividad de los casos y la dificultad de identificar, entre múltiples anomalías pulmonares se torna complejo. A la hora de interpretar una radiografía de tórax por parte de un especialista su capacidad y su experiencia son claves [9] y más aun teniendo en cuenta que en regiones de nuestro país es complicado tener un radiólogo a la mano. Ver Figura 1. Figura 1. Ejemplo de radiografías de tórax, con hallazgos de los bronquiolos Fuente: Revista Clin, Mientras tanto los avances tecnológicos como la biomedicina y la inteligencia artificial o más específicamente el aprendizaje profundo se define como una ciencia e ingeniería para la fabricación de máquinas inteligentes y algoritmos capaces de procesar datos para tomar decisiones con respecto a un aprendizaje diseñado [10]. A través del uso de la misma se han llevado varios prototipos que generan resultados prometedores con respecto a los actores del sistema de salud como (laboratorios, prestadores de servicios, seguros y pacientes), generando optimizar significativamente el dinero y tiempo de los centros asistenciales de salud. El presente documento especifica el desarrollo de un algoritmo usando radiografías de tórax de neonatos obtenida como parámetro de entrada en el cual se usará las redes neuronales convolucionales para evaluar la detección de la infección pulmonar en neonatos o mejor llamada neumonía. El capítulo 1 define el problema de investigación, el capítulo 2 fija los objetivo tanto general cómo especifica, el capítulo 3 justifica la importancia del proyecto al determinas las ventajas que traería su correcta implementación, El capítulo 4 define los conceptos y métodos empleados, además de contextualizar, el capítulo 5 precisa todas las actividades a ser desarrolladas, el capítulo 6 ilustra cómo se recolectaron los datos recolectados en el trabajo de investigación, el capítulo 7 explica las entradas y salidas de los modelos, posteriormente en el capítulo 8 detalla los procedimientos seguidos del algoritmo de redes neuronales convolucionales y la arquitectura utilizada para el modelo 1 VGG16 y el modelo 2 de comparación AlexNet. En el capítulo 9 se describe los componentes, las herramientas y el funcionamiento de la aplicación web desarrollada para facilitar el uso y comprensión del modelo de inteligencia artificial. En el capítulo 10 se describirá un caso clínico, llevando a cabo la ejecución del modelo en un ambiente real. Finalmente,en el capítulo 11 se presenta las conclusiones, adicionalmente se incluye un anexo que contiene el manual de uso del aplicativo, además muestra la interfaz gráfica de este. 23 1. PROBLEMA DE INVESTIGACION 1.1. Planteamiento del problema La neumonía es un problema de salud mundial que no entiende de estratos sociales ni culturales provocando millones de muertes cada año. Según datos de la UNICEF afirma que cada 39 segundos muere un niño por neumonía en todo el mundo. la neumonía es una enfermedad que mata a varios niños que cualquier otra infección [11], pero la mayor parte del riesgo de mortalidad infantil [12] se encuentra por la neumonía que en la infancia se encuentra en el período neonatal. Esta causa entre 700.000 y 1,2 millones de muertes de recién nacidos cada año, lo que representa el 10% de la tasa mundial de mortalidad infantil [13] ocurren en los países en desarrollo incluyendo Colombia que está en el grupo intermedio de países con el TMI (tasa de mortalidad infantil) cercano a 28% de muertes por año [6]. Por lo tanto, las radiografías de tórax se convierten en un método fundamental, las cuales sustituyen a las pruebas complejas cómo la oximetría y que también revelan el diagnóstico de esta enfermedad. Además, hay que mencionar que, al ser un intento de radiografía a un neonato, hace que la complejidad sea mayor, ya que es muy difícil lograr colocar al neonato en una posición ideal. Otro factor que también afecta es el sistema de salud, el cual tiene diferentes problemáticas presentes hoy en día, las cuales comprende a diferentes factores como la falta de personal calificado en zonas rurales y urbanas, el funcionamiento del sistema de salud, falta de historial médico, falta de infraestructura en zonas rurales y urbanas. En las zonas rurales hay una fuerte barrera a un sistema de salud digno. Según el ministerio de salud de Colombia estimó que en el 2017 había 869 especialistas en radiología y 3.398 especialistas en pediatría. De los cuales la mayoría ejerce en Bogotá, Antioquia y Valle del Cauca, mientras que en departamentos alejados cómo Vichada y Vaupés no se reportó su presencia y son los departamentos con mayor tasa de mortalidad en menores de 5 años. Así mismo, teniendo en cuenta, que desde que se presenta los signos de una neumonía, un centro médico debe realizar el siguiente procedimiento: exploración física, radiografía de tórax, análisis de sangre, pulsioximetría y pruebas de esputo [14] que en promedio puede tardar 20 minutos y el tratamiento con antibiótico debe iniciarse después de 4 horas [15] desde el diagnóstico de la neumonía, se puede inferir que en el Distrito Capital de Bogotá se es eficiente en el tratamiento y diagnóstico de la neumonía en recién nacidos. 24 Considerando esto según el Ministerio de Salud de Colombia la diferencia abismal que presenta las zonas dispersas cómo Amazonas, Vaupés, Chocó y la Guajira. Al momento que los neonatos presentan signos y la aparición de tirones de pecho en el niño como una afección grave y buscaron un establecimiento médico donde pueda ser detectado, el tiempo transcurrido desde el inicio de la enfermedad hasta la búsqueda de atención en el establecimiento de salud fue de alrededor de dos días y medio [16]. Esta tasa de mortalidad por Infección respiratoria es un 88% más alta en el primer quintil de pobreza comparado con el último en Colombia, es decir, que se producen 47.270 mil muertes más por (IRA) por cada 100.000 menores de cinco años en los departamentos con mayor pobreza multidimensional [17]. Teniendo en cuenta las cifras de defunciones de menores y las problemáticas que rodean esta enfermedad pulmonar, se tiene en cuenta que la detección temprana de esta patología es vital para salvaguardar la vida de los menores de 5 años [18]. Esta detección temprana en zonas rurales está condicionada por los retrasos del diagnóstico y del tratamiento, esto lleva que es necesario una reducción en el tiempo entre la toma de la radiografía de tórax y un apoyo al diagnóstico del pediatra que trate el caso. Por tanto, se propone implementar un modelo de Deep learning para hacer un diagnóstico de neumonía temprano a partir de radiografías de tórax asistiendo al diagnóstico del pediatra. 1.2. Formulación de la pregunta problema Para el desarrollo de este trabajo se plantea la siguiente pregunta de investigación ¿Cómo apoyar el proceso de diagnóstico de neumonía a través del aprendizaje profundo? 1.3. Sistematización del problema Durante el planteamiento del problema y el análisis de la pregunta de investigación surgieron preguntas cómo: • ¿Es posible detectar todas las patologías asociadas a la neumonía con estas radiografías? • ¿Cómo caracterizar, o verificar la validez de la predicción del algoritmo? • ¿Es posible parametrizar todas las características en un mismo algoritmo? 25 • ¿Cuáles son los resultados obtenidos al implementar sistemas e-Health, o de predicción de enfermedades en hospitales? Entre otros elementos a tener en cuenta, se considera que en el análisis debe involucrar variables como lo son los la disposición de las radiografías por neonato como lo son en radiografías anteroposterior y posteroanterior como lo muestra en la figura #, teniendo en cuenta que el modelo que procesamos solo está el conjunto de datos con radiografías posteroanterior, estos datos que pueden recopilar los radiólogos pueden generar más entrada de datos, y ubica la patología en diferentes ángulos [19]. Ver Figura 2. Radiografía de tórax en proyección antero - posterior y lateral. Figura 2. Radiografía de tórax en proyección antero - posterior y lateral. Fuente: Caso clínico-radiólogo pediátrico Cabe destacar que, para el desarrollo de modelos de predicción de aprendizaje profundo con la implementación de redes neuronales convolucionales, en trabajos investigados, se pudo identificar la patología con un solo tipo de imagen de radiografía, entre otros elementos a tener en cuenta, se considera que en el análisis debe involucrar variables como lo son los parámetros y cada uno de los lineamientos que realiza un radiólogo al momento de interpretar una radiografía de tórax neonatal, como lo son el tamaño de los pulmones no son iguales a los de un adulto, en que proceso del desarrollo pulmonar se encuentra el neonato. Cabe recalcar que en trabajos de investigación se tomaron algunos parámetros de estos a tener en cuenta, pero la base principal de estos estudios son la disposición y la estructura del dataset, ya que, si se tiene imágenes de radiografías limpias, con buena calidad y con la patología definida. La probabilidad de predicción correcta es más alta. Finalmente, este trabajo de investigación tuvo un porcentaje de precisión del 91% en el modelo de redes neuronales propuesto. 26 2 OBJETIVOS 2.1. Objetivo general Implementar una técnica basada en radiografías de tórax para identificar neumonía en neonatos en estadios tempranos. 2.2. Objetivos específicos - Categorizar los parámetros más influyentes en la detección de neumonía. con el fin de obtener información y proceder a la selección de una técnica de aprendizaje profundo para implementar el algoritmo. - Crear un conjunto de datos de imágenes de rayos x de tórax para el reconocimiento de anomalías pulmonares. - Desarrollar un algoritmo para la identificación de neumonía en recién nacidos mediante la técnica de red neural convolucional. - Evaluar la calidad del algoritmo mediante radiografías de tórax con la patología de neumonía diagnosticada. 27 3 JUSTIFICAION La neumonía infantil es la causante de millones de defunciones de menores de cinco años en todo el mundo. Sabiendo aun que esta enfermedad es prevenible con vacuna ycurable en la mayoría de los casos, los procesos de valoración y diagnóstico de la neumonía a través de radiografías de tórax toma bastante tiempo en zonas rurales del país. Esto se representa por múltiples factores cómo la falta de personal, de insumos y equipo hospitalario, que, a la hora de presentar casos, el tiempo es indispensable para empezar un tratamiento y salvaguardar la vida de los neonatos. En una escala general en zonas rurales en promedio se tardaban dos días y medio en diagnosticar la neumonía, según el ministerio de salud. De acuerdo con la necesidad expresada anteriormente, en este proyecto se plantea una solución, con la implementación de un algoritmo de inteligencia artificial para análisis de radiografías de tórax implementando redes neuronales la cual permite procesar imágenes a gran escala con un nivel alto eficacia, el cual será capaz de reducir el tiempo entre la toma del examen y el diagnóstico. El uso de estos algoritmos es una de las alternativas de prevención a los neonatos de zonas rurales ya que ellos son los principales beneficiados. Teniendo en cuenta que los pacientes identificados con neumonía podrían iniciar tratamiento con antibiótico, u hospitalización. Por otro lado, el apoyo que brinda este algoritmo es al personal médico que se encarga de hacer el análisis de estas radiografías de tórax y a los centros de salud de zonas rurales, son estas herramientas que permiten tener disponibilidad de múltiples diagnósticos o valoraciones alternas, asistiendo al dictamen del pediatra tratante del caso. Además, esta herramienta podrá realizar múltiples procesos de diagnóstico, es decir que se pueda hacer una selección rápida de los neonatos con urgencia. 28 4 MARCO DE REFERENCIA A continuación, se describirá el marco conceptual y el marco teórico. 4.1. Marco teórico 4.1.1. Machine learning, deep learning y inteligencia artificial Machine Learning, el Deep Learning y la Inteligencia Artificial, son conceptos que están ligados entre sí cómo sub conjuntos que muestra la figura (Chollet, 2018). Figura 3. Intelligence Artificial, Machine Learning y Deep Learning Fuente: Chollet, 2018 4.1.2. Machine learning El ML es una parte de la inteligencia artificial, la cual tiene la capacidad de aprender a través de datos y mejora su precisión con el tiempo. Dentro del machine learning tenemos tres tipos de enfoques [20]. ▪ Aprendizaje Supervisado: Este tipo de aprendizaje está basado en un rango de datos etiquetados, del cual va a aprender para resolver problemas futuros. ▪ Aprendizaje no supervisado: Este tipo de aprendizaje es el indicado cuando no se tienen suficientes datos etiquetados, entonces se le brindan una serie de indicaciones que ayudarán a resolver los problemas [21]. 29 ▪ Reforzamiento de aprendizaje: Estos tipos de aprendizaje permiten aprender de acuerdo a éxitos y fracasos que tenga 4.1.3. Deep learning y aprendizaje profundo Se basa en usar una red neuronal artificial que se compone de un número de niveles jerárquicos. En el nivel inicial de la jerarquía la red aprende algo simple y luego envía esta información al siguiente nivel. El siguiente nivel toma esta información sencilla, la combina, compone una información algo un poco más compleja, y se lo pasa al tercer nivel, y así sucesivamente Deep Learning es un conjunto de técnicas y procedimientos algorítmicos basados en Machine Learning para lograr que una máquina aprende de la misma forma que lo haría un ser humano. Siendo más precisos, hablamos de una familia de algoritmos cuyo propósito es simular el comportamiento que lleva a cabo nuestro cerebro para reconocer imágenes, palabras o sonidos. 4.1.4. Convolucional Neuronal Networks (CNN) Las redes neuronales convolucionales fueron creadas, al igual que las redes neuronales artificiales, basándose en la estructura de las neuronas de la corteza visual de los mamíferos. Las CNNs son de los algoritmos más populares en el paradigma del Deep Learning, cuando se trata de reconocimiento de objetos en imágenes visuales. basadas en la arquitectura de peso compartido de los núcleos y filtros de la convolución. estas proporcionan respuestas equivalentes que se conocen cómo mapa de características [22]. Figura 4 Convolucional Neuronal Networks Fuente: Rendimiento de aprendizaje profundo (Malek Ben Romdhane) 30 4.1.4.1.1. Estructura La arquitectura se puede ver para una red neuronal, donde la entrada la salida se comunica con otras neuronas. Se llama nudo, se encuentra con el nudo. Organización estrechamente relacionada Dependiendo de las estaciones es así [23]: ▪ Capa de entrada: Estos son los botones reciben información del exterior, la reciben Cada número en la lista dada. ▪ Capa de salida: Estos son nodos transferir información una vez que la red en la que está haciendo sus cálculos transmitirá el resultado, también en forma de lista entre números. ▪ Capa oculta: Estos botones no tienen conexión con el exterior y el único intercambio comunicarse con otros nodos de la red, que Un contrato obtiene valor de un contrato La capa de entrada se modifica en un archivo. Es por eso que el proceso se llama aprendizaje. Cómo saber qué entrada es la más importante o Relacionados, estos botones contienen cuentas corredoras de redes. Figura 5. Estructura red nuronal artificial Fuente: Autoría propia, Edward Camilo Villota Taramela 4.1.4.1.2. Funcionamiento Cada neurona o nodo artificial es Recibe una serie de procesamiento de señales multiplica la entrada con un peso dado peso de sinapsis llamado (W), cálculo de nodo La suma del producto de cada artículo y su peso. El valor correspondiente y la función de activación se aplican al valor resultante del valor resultante Salida u otra, dependiendo de si la suma La señal y el peso superan un cierto umbral [23] [24]. La arquitectura mencionada anteriormente se puede visualizar Figura 6. Esquema de una Red Neuronal (Pesos, Función de activacion), 31 Figura 6. Esquema de una Red Neuronal (Pesos, Función de activacion) Fuente: Autoría propia, Edward Camilo Villota Taramuel En donde sus estos parámetros pueden ser: ▪ X1, X2, …, Xn: Los datos de entrada del nodo o neurona, los cuales también pueden ser el producto de la salida de otro nodo de la red. ▪ X0: Unidad de sesgo, es un valor constante que se le suma a la entrada de la función de activación del nodo, por lo general lleva el valor de 1. Este valor permite cambiar la función de activación de izquierda a derecha, otorgando más flexibilidad en el momento de aprender del nodo o neurona. ▪ W0, W1, W2, …, Wn: Son los pesos relativos o pesos sinápticos de cada entrada. También a la unidad de sesgo le corresponde un peso. ▪ 𝑓: Es la función de activación de la neurona, esta función es la que les otorga la flexibilidad a las redes neuronales. ▪ S: Es la salida de la neurona, que se calcula de la siguiente manera: Ecuación 1. Sumatoria salida de neurona 𝑺 = f (∑ 𝑊𝑖 ∗ 𝑋𝑖 𝑛 𝑖=0 ) Fuente: Autoría propia, Edward Camilo Villota Taramuel Las redes neuronales están organizadas en capas de neuronas. Cada capa procesa la información de la capa anterior, y la complejidad de la nobleza que la red puede resolver está determinada por Tipo de capa y función de disparo. 32 4.1.4.1.3. Topología de las (CNN) En primera instancia lo que hace diferenciar que en la CNN y la mayoría de las otras redes es que cada una de las neuronas es que tienen conexiones parecidas, esto quiere decir que las neuronas tienen los mismos parámetros de entradas. para especificar la implementación de las CNN. inicialmente se procesa las imágenes por nodos específicos. a cada uno de esos nodos se asigna un subconjunto de la imagen de incide, en este subconjuntose especifica de 3x3 píxeles esto permite tener una cobertura de la imagen sin supervisión. En los parámetros de salida se alinean por una segunda capa de nodos. Generalmente se toma un subconjunto de 6x6 píxeles de la imagen original, esto quiere decir que tiene un campo repetitivo que cubre las salidas de todos los nodos de la capa superior. Figura 7 Convolución que alimenta a la siguiente capa de entrada Fuente: Autor 4.1.4.1. Arquitectura Están compuestas por una capa de input y una de output además de varias capas ocultas de las cuales son capas convolucionales con su función de activación, estas capas se caracterizan cómo pooling y capas conectadas. Como red de clasificación, comienza con la etapa de extracción de características, que se compone de neuronas convolucionales y neuronas de reducción de muestras. Se encuentra una neurona perceptrón simple al final de la red y finalmente se clasifican las características extraídas. La etapa de extracción de características es similar al proceso de estimulación en las células de la corteza visual [25]. Ver Figura 8 Esquema general de CNN 33 Figura 8 Esquema general de CNN Fuente: Modelo basado en CNN para opacidad extracción de frames 4.1.4.2. Capas de convolución (Convolución layes) Las capas convolucionales se usan para evitar que cada nodo recepción o aprenda un conjunto imprescindible de parámetros libres cómo lo son los pesos de una capa que se comparte cómo lo son filtros que estos se deslizan a través del conjunto de datos de entrada cada filtro si está sujeto a estos parámetros: El parámetro(size), la profundidad(depth), la zancada(stride) y el relleno de ceros(zero-padding). 4.1.4.2.1. El parámetro (SIZE) Es el área que se tiene entre el filtro que recorre la imagen y un filtro en donde se filtran por componentes únicos. estos filtros más grandes tendrán que superponerse sobre la imagen, de esta se precisa para aumentar el tamaño del filtro creará salidas cada vez más grandes; por lo que, administrar el tamaño de los resultados de las capas convolucionales es un factor importante para controlar la eficiencia de una red [26]. 4.1.4.2.2. La profundidad (DEPTH) La profundidad se define en el número de nodos por capa. la profundidad generalmente se conoce cómo la dimensión y casi está relacionada con la calidad de la imagen para procesar y desplegar en la dimensión. este contenido está llevado a términos de calidad de los canales necesarios para describirla con precisión y establecer el parámetro con profundidad [27]. 34 4.1.4.2.3. La zancada (STRIDE) Es principalmente una medida de los espacios entre cada nodo de la dimensión. El valor de stride permite que cada elemento de entrada para la imagen, pertenece al píxel sea dentro del filtro. esencialmente esto se conoce cómo un alto grado de superposición y resultados en mayoría. En el siguiente diagrama se presenta gráficamente tanto la profundidad cómo la zancada [28]. Figura 9. Depth and stride Fuente: Profundidad y zancada, Lasse Rouhiainen 4.1.4.3. Modelo de clasificación de imágenes Cómo se ha evidenciado en los conceptos de un modelo de red neuronal convolucional se presenta fácil para el entendimiento y funcionamiento de este. La combinación de las capas a nivel de la longitud y de profundidad en modelos más complejos es parte del uso de las redes neuronales convolucionales en el uso de estas es cómo diseñar arquitecturas que utilizan los modelos. 4.1.4.3.1. Arquitectura de red clásica 4.1.4.3.1.1. LeNet-5 Es una arquitectura que fue exitosa y conocida en las redes neuronales convolucionales. esta arquitectura fue descrita por et al. (1998). La arquitectura de LeNet-5 CNN se compone de 7 capas. La composición de capas consta de 3 capas convolucionales, 2 capas de submuestreo y 2 capas completamente conectadas [29]. Como muestra Figura 10 Arquitectura modelo LeNet-5 [30]. 35 Figura 10 Arquitectura modelo LeNet-5 Fuente: Arquitectura LeNet-5, (Richmond Alake, 2020) 4.1.4.3.1.2. AlexNet Es una arquitectura de red neuronal convolucional (CNN), que ha tenido una gran importancia en las últimas décadas, teniendo una gran influencia en el campo de aprendizaje automático en el área de la detección de imágenes en la visión artificial [31]. De esta arquitectura de red se pueden especificar algunos puntos clave: ▪ La función de activación de capas ‘ReLU’ las cuales permiten agregar linealización al modelo, así llevar la aceleración del modelo 6 veces mayor. ▪ Utiliza los parámetros de deserción en lugar de la regulación para hacer más sólida la predicción. ▪ La supervisión de agrupaciones en la arquitectura de la red, esto reduce la taza de error top-1 y top-5 en un 0.4%. Figura 11 Arquitectura modelo AlexNet Fuente: Arquitectura AlexNet, (Muneeb Hassan,2018) 36 Para presentar la arquitectura AlexNet como se muestra en la figura 8, esta arquitectura en particular tiene 8 capas con pesos definidos, de las cuales las primeras 5 convoluciones, de las cuales las tres convoluciones complementan, la red neuronal. Además, tiene una capa de tipo ReLU de las cuales se aplicada después de la segunda capa. Para los casos de implementación de esta red neuronal, se tiene que tener en cuenta el conjunto datos que vamos a procesar sabiendo que vamos a proporcionar un conjunto de parámetros de entradas para la arquitectura ImageNet para la tarea de clasificación de imágenes. 4.1.4.3.1.3. VGG16 Es considerada una de las mejores arquitecturas de red de modelos de clasificación de imágenes, es usar previamente pre entrenadas con bases de datos grandes se destaca por el uso de capas de convolución de filtros, capas completamente conectadas y con una capa de salida. Este modelo alcanza una precisión de prueba de alrededor de 92.7% entre los 5 primero de ImageNet [32]. Figura 12 Arquitectura VGG16 con parametros de entrada y salida Figura 12 Arquitectura VGG16 con parametros de entrada y salida Fuente: VGG16 – Convolutional Network for Classification and Detection Para realizar la configuración del modelo, Todas las redes se definen con el nombre de (AE). Todas las configuraciones sigan el diseño genérico de la arquitectura y se diferencia solo en la profundidad de las capas 11 hasta 19 capas de peso de red, El ancho de las convoluciones empieza por 64 bits en la primera capa y luego aumentando en el factor de 2 por cada capa de agrupación. Además, Todas las capas ocultas se generan como capas equipadas con la no linealidad de rectificación (Relu), esta normalización no mejora el rendimiento del conjunto de datos propuesto para el modelo, pero si origina el 37 mayor consumo de recursos de procesamiento del modelo [24]. Ver Figura 13 Arquitectura del modelo VGG16 Figura 13 Arquitectura del modelo VGG16 Fuente: implementación se realizará en el conjunto de datos 4.1.4.3.1.4. Clasificación con redes neuronales clásicas El tipo de clasificación que se desea obtener está planeado hacia el reconocimiento visual de todos los factores que componen una imagen de radiografía, El modelo propuesto está pensando para la clasificación de imágenes que están compuesta por una escala de grises donde se reconoce a la vista humana de un especialista, la patología presentada por un paciente. En el tema de clasificación existen varios modelos para clasificar clasificador de native Bayes, máquinas de soporte vectorial arboles de decisión, regresiones lineales, etc. En el ámbito te reconocimiento de imágenes procesadas tenemos las redes neuronales en donde se pueden presentar variedad de modelos donde se presenta en la arquitectura con respecto a las pruebas ILSVRC. Ver Tabla 1. Comparación de los cinco mejores modelos de clasificación de arquitecuras de red clásicas con pruebas ILSVRC [33]. Tabla 1. Comparaciónde los cinco mejores modelos de clasificación de arquitecuras de red clásicas con pruebas ILSVRC Arquitectura Top 5-err (test) ResNet (ILSVRC) 3.57 BN-Inception [30] 4.82 38 PReLu-ne [26] 4.94 GoogleNet (ILSVRC) 6.66 VGG (ILSVRC ‘16) 7.32 Fuente: errores de tipo I y tipo II En este cuadro se pueden resaltar la métrica top-5-error, se comprueba si a la etiqueta de destino en donde con una de 5 predicciones superiores (los 5 con las probabilidades más altas). En los papers en donde se plantean la clasificación de imágenes a través de ImageNet- las tasas de error top-1 y top- 5 son unidades importantes para medir el éxito del algoritmo [34]. 4.1.4.3.2. Arquitectura de red Moderna 4.1.4.3.2.1. ResNet ResNet sigue la completa 3×3 diseño de capa convolucional. El bloque residual tiene dos 3×3 capas convolucionales con el mismo número de canales de salida. A cada capa convolucional le sigue una capa de normalización por lotes y una función de activación de ReLU. Luego, omitimos estas dos operaciones de convolución y agregamos la entrada directamente antes de la función de activación de ReLU final. Este tipo de diseño requiere que la salida de las dos capas convolucionales tenga la misma forma que la entrada, para que se puedan sumar. Si queremos cambiar el número de canales, necesitamos introducir un adicional 1×1 capa convolucional para transformar la entrada en la forma deseada para la operación de adición. Echemos un vistazo al código a continuación. La función residual crea un duplicado de la entrada dada nombrada como acceso directo para preservar la salida anterior de las posibles transformaciones desastrosas. Puede ver que después de almacenar el valor original de Y, se somete a una serie de operaciones de convolución mientras intenta maximizar el aprendizaje [35]. 39 Figura 14. Arquitectura de ResNet Fuente: Arquitectura ResNet [36] 4.1.4.3.2.2. Mapas de activación de clases Los mapas de activación de clases (CAM) [37] Estos pueden ayudar a desmitificar los resultados de los modelos de aprendizaje profundo. Tradicionalmente, los métodos basados en el aprendizaje profundo se consideran un enfoque de caja negra. Para la toma de decisiones clínicas, es necesario que se puedan interpretar los resultados del modelo de aprendizaje profundo. Las CAM pueden ayudar a identificar las partes de la imagen en las que se enfoca el modelo mientras se hace la predicción final y, por lo tanto, pueden proporcionar información sobre el funcionamiento del modelo. Dicho análisis puede ayudar aún más en el ajuste de hiper parámetros y comprender la razón detrás del fracaso del modelo. https://developer.ridgerun.com/wiki/images/f/f5/Resnet_architecture.png 40 Figura 15. Mapa de activación de clases para modelos de aprendizaje Fuente: Detección de neumonía en imágenes de rayos X (Mohammad Farukh Hashmi) [38] 4.2. Marco conceptual A continuación, se presentan algunos conceptos involucrados en el presente trabajo de investigación. 4.2.1. Desarrollo funcional del aparato respiratorio Generalidades. La patología respiratoria está catalogada como una de las enfermedades con más mortalidad infantil. Al mismo tiempo, más dificultades de interpretación clínica, lo que induce el abuso de sus diagnósticos, la incertidumbre durante un pronóstico correcto y los errores terapéuticos que se deben tanto al déficit como al exceso. Esto es debido en gran parte, al insuficiente conocimiento de las características anatomo-fisiológicas del aparato respiratorio en los distintos periodos de la infancia y, por otro lado, a las dificultades de la exploración clínica y funcional en el niño. 4.2.2. Embriología y sistema respiratorio La formación del aparato respiratorio se inicia en la tercera semana de vida intrauterina, que corresponde a la quinta semana de embarazo, cuando el embrión solo mide unos 3-4 mm de longitud. Se forma a partir del tubo digestivo. Primero aparece una pequeña evaginación [39] divertículo en la pared anterior del intestino, a la que se denomina hendidura laringotraqueal. Este espacio desaparece progresivamente al irse formando un tabique que los independiza. Este tabique se denomina traqueoesofágico, se extiende a lo largo de la evaginación en sentido cráneo-caudal (de la cabeza a los pies), y va a independizar el primitivo dispositivo respiratorio del esófago [40]. 41 • El intestino anterior se ha separado en dos porciones: una anterior, que corresponde al esbozo respiratorio y otra dorsal o posterior, que va a dar lugar al esófago. En este momento del desarrollo, el futuro aparato respiratorio está formado por un verdadero fondo de saco, en donde encontramos: • En primer lugar, y ocupando una posición más superior, el esbozo laríngeo. • El cuerpo del saco laríngeo que corresponde al esbozo traqueal y ocupa una posición media. Ocupando la porción más inferior, la parte correspondiente al fondo del saco y que va dar lugar a los pulmones. Es la bolsa pulmonar o divertículo pulmonar. 4.2.3. Desarrollo pulmonar fetal o prenatal En esta fase del desarrollo dura hasta el momento del nacimiento se establece 3 estadístico periodos de desarrollo: Figura 16 Desarrollo pulmonar Fuente: Esquema vía aérea con su respectivo epitelio regional. [41] 42 4.2.3.1 Periodo embrionario Este periodo de edad gestacional o postnatal abarca la semana 3 a 7. El primordio respiratorio crece hacia la región caudal y se separa definitivamente del intestino anterior. Se forma un tubo mediano tráquea [41], que se bifurca en evaginaciones laterales llamadas yemas pulmonares. El epitelio de todo el árbol respiratorio, desde las vías aéreas (VA) centrales hasta los neumocitos que recubren los alvéolos, se deriva de este brote, mientras que el cartílago, músculo liso, tejido conectivo y maculatura pulmonar tienen su origen en la mesénquima. 4.2.3.2. Período pseudoglandular Este periodo abarca la semana 7 y 17. La aparición de circulación pulmonar (vasculogénesis) y desarrollo del árbol bronquial hasta nivel de bronquiolos terminales (pre acinar). Esta etapa deriva del aspecto glandular en los estudios histológicos, ya que los bronquiolos terminan en forma ciega en el estroma primitivo. Desde la mesénquima se desarrollan las células de la pared bronquial [42] que darán origen al cartílago, músculo liso. sacos distales adelgazándose en la medida que se relacionan estrechamente con los capilares. Hacia las 24 semanas de gestación, ya se ha establecido la barrera alveolo-capilar, con un grosor similar al del adulto y el área disponible para el intercambio gaseoso permite que algunos prematuros extremos puedan sobrevivir [43]. Figura 17 Período pseudoglandular Fuente: Vías respiratorias [44] 43 4.2.3.1.1 Periodo canalicular Este periodo abarca de la semana 17 a 27. Los bronquiolos terminales se dividen para formar los bronquiolos respiratorios [45] y ductos alveolares [46] en forma de sacos, los que constituyen las estructuras acinares. Ocurre un progresivo adelgazamiento del epitelio, con aproximación de los capilares que yacen justo por debajo de este. Las células de tipo I son las encargadas del intercambio gaseoso, son planas y alargadas y cubren el 95% de la superficie alveolar. Las células tipo II son cuboidales, están implicadas principalmente en la producción, almacenamiento, secreción y recirculación de surfactante, cuya función es la estabilización de la superficie alveolar y la prevención del colapso durante la espiración. Los capilares en esta etapa se forman por angiogénesis (brote de vasos sanguíneos desde vasos preexistentes) y las células en división se encuentran en los túbulos capilares más que en la mesénquima indiferenciada. 4.2.3.1.2 Periodo Alveolar El inicio de esta etapa estásegmentado en la semana 36 a 2 años postnatal. Se define por la aparición de pequeñas prominencias a ambos lados de las paredes saculares, en los puntos donde se depositaron fibras elásticas. Estas crecen en forma perpendicular al espacio aéreo, dividiendo los sáculos en forma incompleta en unidades menores, los alvéolos. los que también se formarán en menor medida en bronquiolos respiratorios y en los ductos transitorios. Estos septos secundarios consisten en una doble asa capilar separada por una vaina de tejido conectivo [47]. En este período tiene lugar una marcada proliferación de todos los tipos celulares. Las células mesenquimáticas proliferan, depositando la matriz extracelular necesaria y los neumocitos tipo I y II aumentan su número para delinear las paredes alveolares, donde aproximadamente un 85-90% de la superficie estará recubierta de neumocitos tipo I. Figura 18 Alveolo Fuente: Neumocito [46] 44 4.2.3.1.3 Surfactante Está formado por fosfolípidos y proteínas en porción relativamente estable. Hay dudas sobre si los carbohidratos también intervienen, aunque en porciones mínimas. Destacan 17 la lecitina y fosfatidilcolina, pero también forman parte otras lipoproteínas: fosfatidilglicerol 4%, fosfatidiletanolamina 5%, fosfatidilinositol, colesterol, ácidos grasos y glicéridos 12%, proteínas del surfactante 10% esfingomielina 3%. La proporción principal corresponde, por tanto, a la dipalmitoilfosfatidilcolina 66% y los fosfolípidos 78%. Se acumula sobre la superficie de los alvéolos, disminuye la tensión superficial e impide que se colapse durante la espiración completa. 4.2.3.1.3.1 Biosíntesis del surfactante A las 26 – 28 semanas se pone en marcha. El surfactante no es una sustancia químicamente pura, sino una mezcla (emulsión) de lípidos, es decir, de fosfolípidos, proteínas y carbohidratos. Los lípidos constituyen aproximadamente el 90% del total, mientras que las proteínas comprenden el 10% restante. La presencia de surfactante en el líquido amniótico permite el diagnóstico prenatal de la maduración pulmonar mediante: a) relación lecitina esfingomielina. Cuando es superior a 2 indica maduración pulmonar. Por el contrario, valores inferiores a 1.5 significa inmadurez pulmonar, y por tanto existe el riesgo de membrana hialina. b) fosfatada-colina. Su valoración está indicada cuando es posible la determinación anterior (madre diabética) 4.2.3.2 Inicio de la respiración Los movimientos respiratorios prenatales aparecen a partir del 7mo mes de vida intrauterina. Con ellos penetra líquido amniótico en las vías respiratorias, siendo bien tolerado cuando no contiene gérmenes o meconio. Los pulmones, aparte de aspirar líquido amniótico, contribuyen también a su producción; se calcula que 1\3 de este es originado por secreción pulmonar. Los pulmones durante la vida intrauterina constituyen un gran depósito de glucógeno sin función respiratoria, pero en cuanto sale a la luz el feto y se liga el cordón umbilical, se distiende el pulmón en pocos minutos, proporcionando al RN todo el oxígeno necesario para su intenso metabolismo [48]. 4.2.3.3 Trabajo respiratorio En la respiración normal tranquila, la contracción de los músculos respiratorios solo ocurre durante la inspiración, mientras que la espiración es un proceso pasivo ya que se debe a la relajación muscular. En consecuencia, los músculos respiratorios normalmente solo trabajan para causar la inspiración y no la espiración [49]. Los dos factores que tienen la mayor influencia en la cantidad de trabajo necesario para respirar son: la expansibilidad o compliancia de los 45 pulmones y la resistencia de las vías aéreas al flujo del aire. Ver Figura 19 Trabajo respiratorio Figura 19 Trabajo respiratorio Fuente: Sistema respiratorio. 4.2.3.4 Clasificación del tórax El sistema respiratorio está conformado por órganos y tejidos que te ayudan a respirar. Las partes principales de este sistema son las vías respiratorias, los pulmones y los vasos sanguíneos, además de los músculos como el diafragma, que hacen posible la respiración [50].Ver Figura 20 Tórax Figura 20 Tórax Fuente: Cómo funciona sistema ventilatorio 46 4.2.3.4.1 Faringe La faringe es una parte del cuerpo ubicada en el cuello, que se ubica en la boca y se une al sistema respiratorio y digestivo. Tiene varias funciones entre el sistema respiratorio y digestivo y los separa una estructura denominada epiglotis [51]. Ver Figura 21 Faringe Figura 21 Faringe Fuente: La faringe, [52] 4.2.3.4.2 Tráquea La tráquea es una parte del aparato respiratorio el cual es un tubo que conecta la nariz y la boca con los bronquios y los pulmones. Este tubo cuando obtiene el aire inspirado, llega hasta los bronquios y pulmones y ofrece un camino al exterior desde los pulmones, por lo que esta parte es fundamental [53]. Ver Figura 22 Tráquea. 47 Figura 22 Tráquea Fuente: La tráquea en el aparato respiratorio 4.2.3.4.3 Laringe La laringe es el órgano de la voz, pero además constituye parte importante de la vía aérea y es también su mecanismo de protección pues evita el pasaje de los alimentos con el reflejo de tos y la dinámica de protección de la epiglotis [54].Ver Figura 23 Laringe. Figura 23 Laringe Fuente: Laringe, Dr. Justo Leyva Moncada 48 4.2.3.4.4 Bronquio Los bronquios principales son dos tubos formados por anillos incompletos de cartílago hialino, uno para cada pulmón, y se dirigen hacia abajo y afuera desde el final de la tarea hasta los hilios pulmonares por donde penetran en los pulmones. El bronquio principal derecho es más vertical, corto y ancho que el izquierdo, lo que explica que sea más probable que un objeto aspirado entre en el bronquio principal derecho. Una vez dentro de los pulmones, los bronquios se dividen continuamente, de modo que cada rama corresponde a un sector definido del pulmón [55]. 4.2.3.4.5 Diafragma Es un tejido muscular tendinoso encargado de la respiración. Cuando se inhala, el diafragma se contrae y el espacio disponible en la cavidad torácica se agranda. Los músculos externos intercostales también ayudan a agrandar la cavidad torácica, permitiendo que el aire entre a los pulmones [56]. 4.2.3.4.6 Neumonía La neumonía es una infección respiratoria aguda que es causada por virus, bacterias y hongos. Es un proceso infeccioso e inflamatorio pulmonar, la cual afecta a personas de cualquier edad [57]. Pero hay varias causas no infecciosas que a veces es preciso tener en cuenta. Estas causas no infecciosas son, entre otras: la aspiración de alimentos, de jugo gástrico, de cuerpos extraños, de hidrocarburos y de sustancias lipoideas; reacciones de hipersensibilidad; y las neumonitis inducidas por fármacos o por radiación. Ver Figura 24 Neumonía en pulmones Figura 24 Neumonía en pulmones Fuente: Sociedad española de medicina interna 49 4.2.3.4.6.1 Epidemiología Se estima que más de 150 millones de episodios de neumonía ocurren cada año entre los niños menores de 5 años en países en desarrollo, quienes cuentan con el 95% de todos los casos nuevos en el ámbito mundial. Entre 11 y 20 millones de niños con neumonía requerirán hospitalización y más de 2 millones morirán por esta enfermedad. Asia del Sur y África Sub - Sahariana llevan el peso de más de la mitad del número total de neumonía en el ámbito mundial, así como el 84% del total de las muertes causadas por neumonía en niños de este grupo de edad. Tres cuartas partes de todos los episodios de neumonías en niños menores de 5 años ocurren sólo en 15 países, dos de los cuales pertenecen a Centro y América del Sur. Asimismo, en Latino América y el Caribe se reporta una incidencia de 0.22 casos por niño por año, siendo el promedio de 0.26 en el ámbito mundial,0.29 para los países en desarrollo y de 0.03 en los países industrializados [58]. 4.2.3.4.6.2 Pediatría La pediatría es la rama de la medicina que promueve, vigila y cuida de la salud de las personas durante la fase de desarrollo. Esta etapa va desde el nacimiento hasta la adolescencia. Los profesionales de esta área realizan diagnósticos y tratamiento de las patologías propias de estas edades, además coordinan actividades de promoción y prevención que permiten realizar una asistencia médica integral y si es necesario brindan atención continúa cuando se encuentra alguna anormalidad en el desarrollo [59]. 4.2.3.4.6.3 Imagenología La imagenología o imagen médica, por lo tanto, se utiliza para revelar, diagnosticar y examinar enfermedades o para estudiar la anatomía y las funciones del cuerpo. La radiología, la termografía médica, la endoscopia, la microscopía y la fotografía médica forman parte de estas técnicas. Otros procedimientos que permiten obtener datos que pueden representarse como mapas o esquemas (como la electroencefalografía) también pueden incluirse dentro de la imagenología [60]. 4.2.3.4.6.4 Radiólogo Médico que tiene una formación especial para crear e interpretar imágenes de partes internas del cuerpo. Las imágenes se producen por medio de rayos X, ondas de sonido u otros tipos de energía [61]. 50 4.2.3.4.6.5 Factores de riesgo Se definen los factores de riesgo que ponen en riesgo la vida del neonato y que son fáciles de detectar y de tener presentes para la prevención y tratamiento estos pueden ser: ▪ Prematuridad ▪ No recibir lactancia materna ▪ Periodo neonatal ▪ Malnutrición ▪ Bajo nivel socioeconómico ▪ Asistencia a guardería ▪ Defectos congénitos ▪ Tiempo 4.2.3.4.6.6 Diagnóstico la detección de la neumonía es de causa bacteriana se basa en el juicioso análisis y un conjunto de los componentes clínicos, de laboratorio general, radiológicos y microbiológicos [62]. 4.2.3.4.6.6.1 Componentes clínicos Es una semiología orientadora a una etiología bacteriana puede ser muy categórica (con mayor facilidad y frecuencia se encontrará en el escolar) o muy inespecífica. Es un desafío aún mayor reconocer la sobreinfección bacteriana en el curso de una neumonía viral (particularmente en lactantes). 4.2.3.4.6.6.2 Laboratorio General Reactantes de fase aguda clásicos descritos como propios de una infección bacteriana son la leucocitosis (según edad), neutrofilia y proteína C reactiva (PCR) elevada. 4.2.3.4.6.6.3 Radiológicos Evaluaciones protocolizadas efectuadas entre expertos para la interpretación por medio de los radiólogos a través de las imágenes radiológicas de tórax, en pacientes con infección respiratoria baja, llevaron a dos conclusiones fundamentales [63]: 51 ▪ Que establecer la naturaleza bacteriana de una NAC a través de imágenes radiológicas es sumamente difícil, en especial, en el caso de infecciones virales sobre infectadas. ▪ Que las descripciones de los hallazgos y las interpretaciones de los mismos, son usualmente variables entre radiólogos (lo que también se observa entre los médicos tratantes). 4.2.3.4.6.6.4 Radiografía de tórax (RXT) Son dosis muy pequeñas de radiación ionizante para producir imágenes del interior del tórax. Se utiliza para evaluar los pulmones, el corazón y la pared del pecho, y se puede utilizar para diagnosticar la presencia de líquidos dentro de los pulmones o alrededor de ellos, o la presencia de aire rodeando a los pulmones [64].Ver Figura 25. Radiografía de tórax. Figura 25. Radiografía de tórax Fuente: Rayos X de tórax señaladas (Mayo clinic) 4.2.3.4.6.6.5 DICOM DICOM es un formato de almacenamiento de imágenes médicas que aparece como solución a los problemas de interoperabilidad entre tipos de dispositivos. Este formato contiene además de la imagen, información del paciente, lo cual la hace muy útil a la hora de toma de decisiones en diagnósticos que se hacen en la rama de la medicina [65]. 52 4.2.3.4.6.6.6 Diagnostico por imágenes Los rayos x, radiografías de tórax entre otros exámenes producen imágenes médicas, las cuales son utilizadas para detectar, diagnosticar y tratar enfermedades. La especialidad comienza siendo únicamente de diagnóstico. Es decir, interpretar las imágenes que han sido resultado del uso de las distintas modalidades [66].Ver Figura 26 Diagnóstico por radiografía. Figura 26 Diagnóstico por radiografía Fuente: Diagnóstico por imagen [67] 4.3. Estado del arte El uso de herramientas donde plantean y desarrollan soluciones correspondientes a la detección temprana de enfermedades pulmonares, ha sido, un tema de gran impacto en el mundo médico científico, especialmente porque se basa en el punto de salvaguardar la vida de los neonatos en el mundo. para este trabajo se tomó papers con año de publicación menor a 2018. Estos documentos proporcionan herramientas de aprendizaje automático y profundo se encarga de “recopilar, elaborar y evaluar” los algoritmos que brindan este tipo de soluciones. En primer lugar, el paper “Efficient Pneumonia Detection in Chest X-ray Images Using Deep Transfer Learning” publicado por Hashmi et al., en el año 2020, describe una técnica basada en diagnóstico por imagen basado en capas 62 En este trabajo se propone un modelo eficiente para la detección de neumonía entrenado en imágenes de radiografía digital de tórax, este utiliza un clasificador ponderado, que combina las predicciones ponderadas de los modelos de aprendizaje profundo. El aprendizaje por transferencia se utiliza para ajustar los modelos de aprendizaje profundo a fin de obtener una mayor precisión en el entrenamiento y la validación. de última generación como ResNet 18, Xception, InceptionV3, DenseNet121 y MobileNetV3 de manera óptima. Finalmente, el modelo se evalúa, no solo en términos de precisión de la prueba, sino también en la puntuación AUC significa "área bajo la curva ROC" El modelo final de clasificador ponderado propuesto puede lograr una 53 precisión de prueba del 98,43% y una puntuación AUC de 99,76 en los datos no vistos del conjunto de datos de neumonía del Centro Médico de Mujeres y Niños de Guangzhou. [68] . Por otra parte, según lo indican los autores el autor Moritz Schwyzer, MD et al., utilizaron un protocolo de imágenes de TC y reconstrucción de imágenes de las cuales exportaron un total de 3948 archivos DICOM, además para la validación cruzada de 10 veces, se crearon 10 subconjuntos y cada uno contenía imágenes DICOM de 7 u 8 pacientes sin consolidaciones pulmonares y 2 o 3 pacientes con consolidaciones pulmonares. Para realizar la clasificación de imágenes binarias se utilizó la biblioteca de aprendizaje profundo fast.ai 63 y un Res-Net-3464 previamente entrenado [69]. En el documento investigativo del año 2018 publicado por Arata Saraiva et al., “Transfer Learning with Deep Convolutional Neural Network (CNN) for Pneumonia Detection using Chest X-ray” interpretar la radiografía de tórax, buscará manchas blancas en los pulmones para detectar neumonía mediante la red neuronal. primero es el entrenamiento de una red neuronal convolucional (CNN), en la parte de la prueba lo realizará con imágenes no conocidas por CNN. Para la comprobar del algoritmo se implementó una validación cruzada en los resultados del algoritmo arrojó que se obtuvo una precisión de 96,6%, con una sensibilidad del 97,8%, una especificidad del 97,4%. En la comparación de radiografías de tórax con neumonía versus normal, obtuvo una precisión de 92,8% [70]. Por otra parte, el documento “Augmenting the National Institutes of Health Chest Radiograph Dataset with Expert Annotations of Possible Pneumonia” publicado el año 2019, George shihm, en donde su investigación hace énfasis que la
Compartir