SEMINARIO DE INVESTIGACIÓN APLICADA

EXPOSICIÒN FINAL

“Sistema de análisis predictivo para diagnostico temprano de

neumonía mediante algoritmos de reconocimiento de imágenes
usando deep learning”

ALUMNO : Giusephy Hugo Valladares Peña

CARRERA : Ingeniería de Sistemas
ÁREA: Inteligencia Artificial en Sistemas
LÍNEA: Automatización de Sistemas

2020-I
 “Sistema de análisis predictivo para diagnostico temprano de neumonía
mediante algoritmo de reconocimiento de imágenes usando deep lerning”

• Importante para pacientes críticos.

Lectura rápida • Tiempos de respuestas mas rápidos para dar un tratamiento.
de radiografías • Se optimiza los servicios de emergencia al dar un reporte de
de enfermos salud mas certero.
• Se salvan mas vidas al aumentar la cantidad de pacientes
con neumonía recuperados.
severa

¿De qué manera la técnica del deep learning de inteligencia

Formulación artificial permitirá reducir los tiempos de lectura de
radiografías pulmonares de pacientes con neumonía severa en
del Problema
un centro Hospitalario ?
 “Sistema de análisis predictivo para diagnostico temprano de neumonía
mediante algoritmo de reconocimiento de imágenes usando deep lerning”
No existen muchos Crearemos una base
sistemas de de datos con
analisis predictivo imágenes de
que ayuden al radiografías de
personal medico a pulmón para
tomar decisiones OBJETIVO DE LA TESIS diagnosticar mas
mas rapidas y con rápidamente el estado
eficiencia sobre el de los pulmones de
estado de salud de los pacientes con
las personas con neumonía severa.
neumonia severa.

Nace “Sistema predictivo

de diagnostico temprano
de neumonia” este
sistema usará algoritmos
de aprendizaje
profundo,con redes
neuronales.
 “Sistema de análisis predictivo para diagnostico temprano de neumonía
mediante algoritmo de reconocimiento de imágenes usando deep lerning”

Pregunta de investigación Título del paper Autor(es) Año

1.-¿Qué disciplinas se usan en la detección

temprana de cáncer y neumonía?
Artificial intelligence as the next step towards precision
pathology-paper 02
Acs, B (Acs, B.) ; Rantalainen, M (Rantalainen, M.)
; Hartman, J(Hartman,J.) 2020

2.-¿En el proceso de detección temprana de

cáncer y neumonía se utilizan métodos
Evaluation of Combined Artificial Intelligence and
Radiologist Assessment to Interpret Screening
Schaffter,Thomas,Buist, Diana S. M. , Lee ,
Christoph 2020
manuales? Mammograms – paper01

3.- ¿Los métodos manuales son susceptibles

de ser automatizados?.
Can machine learning model improve the prediction of
nodal stage after a positive sentinel lymph node
Madekivi, V (Madekivi, V.) ; Bostrom, P (Bostrom,
P.) ; Karlsson, A (Karlsson A.);Aaltonen, R 2020
biopsy in breast cancer ? Papper 03 (Aaltonen, R.); Salminen, E (Salminen, E.)

4.- ¿Qué área de la tecnología de información Comparison of supervised machine learning Alabi, RO (Alabi, Rasheed Omobolaji.) ; Elmusrati,
nos puede ayudar a la automatización de classification techniques in prediction of locoregional M (Elmusrati, Mohammed.) ; Sawasaki-Calone, I 2020
estos procesos manuales? recurrences in early oral tongue cancer - paper04 (Sawasaki-Calone, Iris.);Kolwaski, LP (Kolwaski,
Luiz Paulo.); Haglund, C ( Haglund, Caj.)

5.-¿Puede esta area de la informática

realizarlo directamente o necesita alguna
The path to implementation of artificial intelligence in
screening mammography is not all that clear.
Mello-Thoms, C (Mello-Thoms, Claudia)
2020
manera especial de trabajar esta solución?

6-¿La solución al problema ya existe en el

mercado mundial ?
Eliminating biasing signals in lung cancer images for
prognosis predictions with deep learning.
Van Amsterdam, WAC (Van Amsterdam, W.A.C.),
Verhoeff,JJC(Verhoeff, J.J.C.), de Jong, PA(de 2020
Jong, P.A.), Leiner, T(Leiner T.)

7.-¿Los algoritmos son fáciles de

implementar?
Real-time use of artificial intelligence in the evaluation
of cancer in Barrett’s oesophagus
Alana Ebigbo, Robert Mendel,Andreas
Probst,Johannes Manzeneder,friederike Prinz, 2020
Luis A de Souza Jr,Joao Papa, Christoph Palm,
Helmut Messmann
 “Sistema de análisis predictivo para diagnostico temprano de neumonía
mediante algoritmo de reconocimiento de imágenes usando deep lerning”

Artificial intelligence as the next step towards precision pathology.

Paper 02

● Se realiza modelos para

aprendizaje automático y
profundo
● Los métodos de aprendizaje
automático en patología
mejoran significativamente la
detección de metástasis en los
ganglios linfáticos..
● Mejorar con IA la lectura mas
eficiente de radiografias .
Ha demostrado modelos de
Tiene como objetivo este
redes neuronales profundas
estudio es crear el uso de Brinda procedimiento para (resultados de supervivencia)
algoritmos de inteligencia análisis de imágenes basados ​en diapositivas
artificial (aprendizaje digitales usando digitalizadas en varias
profundo) y los realizados aprendizaje automático y enfermedades, incluyendo cáncer
por expertos en aprendizaje profundo, de pulmón, melanoma .
detección de cancer de
pulmon.
 “Sistema de análisis predictivo para diagnostico temprano de neumonía
mediante algoritmo de reconocimiento de imágenes usando deep lerning”

Evaluation of Combined Artificial Intelligence and Radiologist

Assessment to Interpret Screening Mammograms. Paper 01

● Se realiza modelos de machine

learning.
● Compara con el trabajo de
personal calificado.
● Mejorar con IA la lectura mas
eficiente de radiografias
mezclanso el trabajo ambos
grupos .

La motivación es crear evalúa si la inteligencia un conjunto de algoritmos de

una comparación del uso
de algoritmos de
inteligencia artificial y los
realizados por expertos
en mamografías para
compararlos.
artificial puede superar los
límites de interpretación
humana de la mamografía con
una evaluación rigurosa e
imparcial de los algoritmos de
maching learning
inteligencia artificial combinados
con la evaluación del radiólogo en
un entorno de pantalla de un solo
lector mejoró la precisión general.
 “Sistema de análisis predictivo para diagnostico temprano de neumonía
mediante algoritmo de reconocimiento de imágenes usando deep lerning”

The path to implementation of artificial intelligence in screening

mammography is not all that clear. Paper 05

● Se realiza un lecturas de
radiografías de mama con
especialistas.
● Se ejecuta las mismas
radiografías con sistema de IA.
● Se consigue mejorar el
rendimiento al trabajar ambos
equipos Sistema IA y
radiologos.

Verificar si realmente la Brinda procedimiento Indica que sólo utilizando la IA no

inteligencia artificial es trabajo de un radiólogo es suficiente , se requiere el
una buena herramienta vs ,aplicación de IA en trabajo en equipo con personal TI
para detección de cáncer detección de cáncer de y los radiólogos.
de mama. mama. para comparar el
 “Sistema de análisis predictivo para diagnostico temprano de neumonía
mediante algoritmo de reconocimiento de imágenes usando deep lerning”

Can machine learning model improve the prediction of nodal stage after a
positive sentinel lymph node biopsy in breast cancer ?- paper 03

Corte de Corte de validación

entrenamiento
( IC 95% 0.71 - 0.89 ) ( IC 95% 0.65 - 0.92 )
● Se crea nuevo modelo XGBoots Modelo XGBoost 0.87 0.80
● Se ejecuta las mismas radiografías con ( IC 95% 0.77 – 0.93 ) ( IC 95% 0.58 – 0.89 )
el nuevo modelo vs el modelo regresión Modelo Regresión 0.85 0.75
logística. logística
● Se consigue mejorar el rendimiento al
trabajar ambos equipos Sistema IA y
radiólogos.

Es crear un nuevo modelo

para predecir la etapa nodal
N2-3 después de un SLNB
(La biopsia ganglio linfático)
positivo utilizando métodos de
aprendizaje automático rara
vez se ven desarrollo de
nomogramas.
La mejor combinación de variables
estudio de precisión
asociadas con el estadio nodal N2-3 en
diagnóstica evalúa si la IA
el modelado XGBoost incluyó el tamaño
puede superar los límites de
del tumor, el tipo histológico, la multi
interpretación del diagnóstico
focalidad, la invasión linfovascular, el
del cáncer de mama con
evaluación rigurosa e imparcial. porcentaje de células positivas
 “Sistema de análisis predictivo para diagnostico temprano de neumonía
mediante algoritmo de reconocimiento de imágenes usando deep lerning”

Comparison of supervised machine learning classification techniques in

prediction of locoregional recurrences in early oral tongue cancer -paper 04

Algoritmo Precisión Puntuación F1

SVM- Support 68% 0.63
Vector machine
NB - Naive Bayes 70% 0.64
BDT - Boosted 81% 0.78
● Se crea algoritmo BDT Decision Tree
● Se compara con los algoritmos clasicos, DF - Decision Forest 78% 0.70
● Se consigue una mayor precisión con
algoritmo BDT y la puntuación F1.

Es estratificar los pacientes La estimación adecuada del

con OTSCC usando
algoritmos de Machine
Learning de Inteligencia
Artificial para ayudar en la
planificación de su tratamiento
individual.
riesgo de recurrencias en el
carcinoma de células El mejor algoritmo fue el BDT-Boosted
escamosas de la lengua oral en desicion tree que obtuvo 81% de
etapa temprana (OTSCC) es precisión.
obligatoria para la toma de
decisiones de tratamiento
individual.
 “Sistema de análisis predictivo para diagnostico temprano de neumonía
mediante algoritmo de reconocimiento de imágenes usando deep lerning”

Gracias.. !