Attribution-NonCommercial 4.0 International (CC BY-NC 4.0)Martínez Carrillo, FabioMoreno Ríos, Juan Pablo2023-05-192023-05-192023-05-162023-05-16https://noesis.uis.edu.co/handle/20.500.14071/14285Las neumonías bacterianas, virales, y las causadas por el COVID-19 pueden ser caracterizadas mediante la observación e identificación de hallazgos radiológicos en estudios de tomografías computarizadas (CT, por sus siglas en ingles). Estos hallazgos visuales permiten entre otros la valoración, estratificación de la enfermedad y el seguimiento del paciente. No obstante, este análisis es principalmente observacional, sujeto a la experticia de los radiólogos, lo que conduce a sesgos en el diagnóstico y una consecuente baja especificidad (hasta un 33 % ha sido reportado). Los modelos de aprendizaje profundo han emergido como herramientas claves para apoyar tareas relacionadas con la detección y clasificación y diagnóstico, soportado en la codificación de patrones visuales. Estos modelos, sin embargo, son ajustados bajo esquemas de aprendizaje de muestras de los datos que sean significativas, balanceadas, y estratificadas, con el fin de lograr exitosamente la tarea de modelado. Además su carácter típicamente supervisado puede introducir sesgos relacionados con el aprendizaje particular de las muestras etiquetadas. En este trabajo se propuso un esquema no auto-supervisado que bajo un esquema variacional profundo, es capaz de codificar patrones radiológicos para discriminar entre diferentes neumonias y la clase control. Primero, en el trabajo se ajusto una arquitectura de autoencoder variacional siguiendo una tarea de pretexto relacionada con la construcción. Desde el espacio embebido variacional, se lograron construir descriptores embebidos que en un espacio latente tienen una capacidad de discriminación lineal entre las clases. El método propuesto fue evaluado sobre un estudio retrospectivo de estudios CT que corresponden a 996 pacientes clasificados bajo 3 grupos de datos: Control, COVID-19, y Neumonía. En la tarea de clasificación, el método propuesto logró una sensibilidad del 100 %, y especificidad del 98 % y 95 % para COVID-19 y neumonías típicas respectivamente, evidenciando una clara distinción entre estos tres grupos.application/pdfspaNeumoníaCOVID-19Hallazgos ImagenológicosAutoencoder VariacionalRepresentación LatenteDetección de AnomalíasTomografías Axiales ComputarizadasUniversidad Industrial de SantanderTesis/Trabajo de grado - Monografía - PregradoUniversidad Industrial de Santanderhttps://noesis.uis.edu.coPneumoniaCOVID-19Imaging FindingsVariational AutoencoderLatent RepresentationAnomaly DetectionComputerized Tomography Scanshttp://purl.org/coar/access_right/c_abf2info:eu-repo/semantics/openAccessAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)