La infección por COVID-19 se informó en diciembre de 2019 en Wuhan, China. Este virus afecta críticamente a varios países como Estados Unidos, Brasil, India e Italia. Numerosas unidades de investigación están trabajando al máximo nivel de esfuerzo para desarrollar métodos novedosos para prevenir y controlar este escenario pandémico. El objetivo principal de este trabajo es proponer un sistema de apoyo a la decisión médica mediante la implementación de una red neuronal convolucional (CNN). Esta CNN ha sido desarrollada utilizando la arquitectura EfficientNet. Según el conocimiento de los autores, no existe ningún estudio similar que proponga un método automatizado para el diagnóstico de COVID-19 utilizando EfficientNet. Por lo tanto, la principal contribución es presentar los resultados de una CNN desarrollada utilizando EfficientNet y validación cruzada estratificada de 10 veces. Este artículo presenta dos experimentos principales. En primer lugar, se muestran los resultados de la clasificación binaria utilizando imágenes de pacientes con COVID-19 y pacientes normales. En segundo lugar, se analizan los resultados multiclase utilizando imágenes de pacientes con COVID-19, neumonía y pacientes normales. Los resultados muestran valores de precisión promedio para binario y multiclase de 99,62% y 96,70%, respectivamente. Por un lado, el modelo CNN propuesto utilizando EfficientNet presenta un valor promedio de recuerdo de 99.63% y 96.69% en binario y multiclase, respectivamente. Por otro lado, el 99,64% es el valor de precisión promedio que reporta la clasificación binaria, y el 97,54% se presenta en multiclase. Finalmente, el puntaje F1 promedio para multiclase es 97.11% y se presenta 99.62% para clasificación binaria. En conclusión, la arquitectura propuesta puede proporcionar un sistema de diagnóstico médico automatizado para ayudar a los especialistas de la salud a mejorar la toma de decisiones durante este escenario pandémico.
Except where otherwise noted, this item's license is described as CC0 1.0 Universal