Detección de COVID-19 a partir de imágenes radiográficas utilizando redes neuronales convolucionales: una revisión bibliográfica

Abstract

La crisis generada en el planeta por la COVID-19 (SARS-CoV-2) ocasionó un efecto devastador a nivel mundial y por tal razón se necesitó una detección eficaz de los posibles contagios de los pacientes infectados. En tal sentido, el presente trabajo recopila información de herramientas de diagnóstico que utilizan Deep Learning (DL) en imágenes médicas para detectar COVID-19. Es un estudio observacional descriptivo. Además, el propósito es analizar y comparar como el DL aplicado a imágenes radiográficas optimiza recursos y manejo de resultados de manera objetiva y oportuna, evidenciando una cooperación favorable entre sector sanitario, institucional y tecnológico. De esta manera, las Redes Neuronales Convolucionales (CNN), en sus diferentes algoritmos, son la arquitectura elegida en el área biomédica para el diagnóstico de enfermedades aplicadas al análisis de imágenes radiográficas, cuya finalidad es ayudar al servicio médico en aligerar la atención de pacientes con una detección temprana de síntomas y factores de riesgo del virus COVID-19, debido a la cantidad de pacientes sintomáticos y asintomáticos. Los resultados de esta Revisión Sistemática de Literatura muestran el grado de precisión del uso de algoritmos neuronales al evaluar las imágenes médicas. Por tanto, se concluye que las CNN han generado resultados muy útiles para emitir un diagnóstico oportuno al momento de validar casos positivos de COVID-19, pero se evidencia que en la mayoría de trabajos revisados, se ha aplicado un protocolo de evaluación que sobreestima los resultados.