Detección Automatizada de Mycobacterium tuberculosis en Tinción Ziehl-Neelsen Digitalizada Multivariante Utilizando...

Área de la Ciencia:

• Diagnóstico Médico
• Ciencias de la Computación
• Enfermedades Infecciosas

Sus antecedentes:

• La tuberculosis (TB) sigue siendo un problema de salud pública importante, especialmente en Indonesia.
• El examen microscópico de frotis de esputo mediante tinción de Ziehl-Neelsen es un método común de diagnóstico de TB.
• La detección manual de TB enfrenta desafíos debido a las variaciones de tinción y la subjetividad.

Objetivo del estudio:

• Desarrollar un sistema automatizado para la detección de bacterias de tuberculosis.
• Aprovechar el aprendizaje profundo, específicamente el algoritmo Faster R-CNN con ResNet-50, para la detección de TB.

Principales métodos:

• Se utilizó el algoritmo Faster R-CNN con la arquitectura ResNet-50.
• Se implementó el sistema utilizando Python y la API de detección de objetos de TensorFlow.
• Se aplicaron técnicas de aumento de datos que incluyen rotación, volteo y procesamiento de color.

Principales resultados:

• Se logró una precisión del 88%, una precisión del 94%, una recuperación del 93% y una puntuación F1 del 94%.
• El modelo genera con éxito imágenes anotadas que señalan las ubicaciones de las bacterias de TB.
• Se demostró la efectividad del sistema automatizado en la identificación de bacterias de TB.

Conclusiones:

• El aprendizaje profundo ofrece un enfoque prometedor para automatizar la detección de TB.
• El sistema desarrollado puede ayudar a los profesionales médicos en el diagnóstico de TB, especialmente en entornos con recursos limitados.
• La detección automatizada de TB puede mejorar la eficiencia y la confiabilidad del diagnóstico.