Análisis digital de ultrasonido pulmonar fetal mediante técnicas de aprendizaje profundo
Barra lateral del artículo
Contenido principal del artículo
Resumen
En el mundo, alrededor de 15 millones de niños nacen al año sin completar su etapa gestacional. De acuerdo a datos de la Organización Mundial de la Salud en las “Recomendaciones de la OMS para cuidado del lactante prematuro o bebé de bajo peso al nacer”, el 45% de todas las defunciones de infantes menores de 5 años, del 60% al 80% son prematuros a causa mayor de deficiencias respiratorias. La malformación pulmonar, resulta en aborto inducido o Síndrome de Dificultad Respiratoria, RDS por sus siglas del inglés de Respiratory Distress Syndrome. RDS puede prevenirse por medio de estudios clínicos y criterios radiológicos. Este trabajo aborda la tarea de identificar malformaciones usando el análisis digital de imágenes de pulmones en etapa fetal, mediante herramientas de aprendizaje profundo en una categorización multiclase de secuestro broncopulmonar, malformaciones quísticas y hernia diafragmática, donde existe riesgo de diagnóstico errado y fallecimiento. Resultando en una exactitud del modelo de 88.88%, de un conjunto de 42 sonogramas bidimensionales.
Detalles del artículo
Citas
Albinagorta Olórtegui, R., & Miranda Tapia, M. (2015). Actualización en la evaluación de la madurez pulmonar fetal por ultrasonido. Revista Peruana de Ginecología y Obstetricia, 61(4), 433–438.
Brownlee, J. (2020). 3 ways to encode categorical variables for deep learning. Machine Learning Mastery. https://machinelearningmastery.com/how-to-prepare-categorical-data-for-deep-learning-in-python/
Brownlee, J. (2020). How to use metrics for deep learning with Keras in Python. Machine Learning Mastery. https://machinelearningmastery.com/custom-metrics-deep-learning-keras-python/
Brownlee, J. (2021). Sensitivity analysis of dataset size vs. model performance. Machine Learning Mastery. https://machinelearningmastery.com/sensitivity-analysis-of-dataset-size-vs-model-performance
Chollet, F. (2017). The limitations of deep learning. In Deep learning with Python. Manning Publications.
Espinosa Arreaga, G. B., & Lucio Aldaz, C. (2020). Diagnóstico de malformaciones congénitas en embarazadas de 30 a 40 años mediante screening ecográfico en el hospital gineco obstétrico pediátrico universitario de Guayaquil. Universidad de Guayaquil, Ecuador.
Hernández Sancho, R., & Rojas Maruri, M. (2020). Secuestro pulmonar: Opciones de tratamiento desde la perspectiva de las teorías embrionarias. Acta Pediátrica de México, 41(2), 72–84.
Álvarez, L., Lozano, C., & Bravo, D. (2022). Metodología para el mantenimiento predictivo de transformadores de distribución basada en aprendizaje automático. Ingeniería, 27(3), e17742.
Vega, R., González, J., Valdés, E., González, A., del Olmo Bautista, S., & Camino, F. (2015). Malformación adenomatoide quística pulmonar: Diagnóstico prenatal. Clínica e Investigación en Ginecología y Obstetricia, 42(2), 83–85.
Wiley, V., & Lucas, T. (2018). Computer vision and image processing: A paper review. International Journal of Artificial Intelligence Research, 2(1), 29–36. https://doi.org/10.29099/ijair.v2i1.42
World Health Organization. (2022). WHO recommendations for care of the preterm or low-birth-weight infant. https://www.who.int/publications/i/item/9789240058262
Zuñiga Vico, I., Gila Sánchez, M., & Hurtado Sánchez, F. (2023). Diagnóstico ecográfico de la madurez pulmonar fetal. Journal of Physiotherapy and Medical Technology, 7, 7–18.