EVALUACIÓN DE MODELOS DE DEEP LEARNING EN LA DETECCIÓN DE COVID-19

Objetivo: Este estudio analiza el uso de técnicas de aprendizaje profundo, como ResNet, DenseNet y CNN, en la detección y diagnóstico de COVID-19. Se identifican desafíos en la implementación de estos modelos, se evalúa la eficacia de diferentes algoritmos en la detección temprana de la enfermedad, y se destaca la importancia de conjuntos de datos de alta calidad para mejorar la precisión en entornos clínicos. Métodos: Se revisaron 50 artículos publicados entre enero y diciembre de los años 2020-2021, enfocándose en el uso de imágenes de radiografías y tomografías computarizadas para la detección temprana de COVID-19 mediante algoritmos de deep learning. Resultados: Los estudios revisados muestran que los modelos de deep learning tienen una alta precisión en la detección de COVID-19 a partir de imágenes médicas, destacando su importancia para la detección temprana y precisa de la enfermedad. Conclusion: El diagnóstico de COVID-19 mediante métodos de deep learning ofrece una herramienta valiosa para la detección temprana y precisa de la enfermedad. Sin embargo, es necesario abordar desafíos como la disponibilidad de datos de entrenamiento adecuados y la confianza de los profesionales de la salud para optimizar el uso de estos modelos en la práctica clínica y mejorar la atención médica en el contexto de la pandemia global.