AI Pneumonia Detector – Detección de neumonía por IA

Contexto

La neumonía es una infección pulmonar que puede detectarse a partir de radiografías torácicas. El análisis de estas imágenes suele requerir la experiencia de un profesional sanitario, pero las técnicas de machine learning permiten hoy automatizar parte de esta detección.

AI Pneumonia Detector es un prototipo de aplicación de IA médica que permite analizar radiografías pulmonares para identificar la posible presencia de neumonía. El proyecto se apoya en un dataset de 5856 radiografías reales proporcionadas en el marco del cursillo de ingeniería IA/Data en Epitech.

El objetivo del proyecto es comparar diferentes enfoques de aprendizaje automático para la clasificación de imágenes médicas y explorar su eficacia en la detección de patologías pulmonares.

Problema

El análisis de radiografías médicas se apoya generalmente en la experiencia humana. Sin embargo, en ciertos contextos, el uso de herramientas de ayuda a la decisión basadas en inteligencia artificial puede permitir:

• acelerar el análisis de imágenes médicas
• asistir a los profesionales de la salud
• identificar anomalías visuales en las radiografías.

El reto consiste en entrenar un modelo capaz de distinguir correctamente radiografías pulmonares normales de aquellas con signos de neumonía, evaluando al mismo tiempo la fiabilidad de las predicciones.

Solución

La aplicación implementa dos enfoques de machine learning para la clasificación de radiografías:

Un modelo CNN (Convolutional Neural Network) especializado en el análisis de imágenes.

Un modelo KNN (K-Nearest Neighbors) que sirve de base de comparación con un enfoque de machine learning más simple.

Las radiografías se preprocesan en imágenes en escala de grises y se redimensionan antes de usarse para el entrenamiento de los modelos.

El modelo CNN utiliza una arquitectura de redes neuronales convolucionales para extraer automáticamente características visuales relevantes de las imágenes.

Una interfaz web permite luego probar los modelos en tiempo real.

Los usuarios pueden:

• seleccionar radiografías de ejemplo
• importar sus propias imágenes
• obtener una predicción instantánea (NORMAL o PNEUMONIA)
• consultar las probabilidades asociadas a cada clase.

Funcionalidades principales

• análisis de radiografías pulmonares por IA
• comparación de dos enfoques de machine learning (CNN vs KNN)
• interfaz web interactiva para probar los modelos
• importación de imágenes personalizadas para el análisis
• visualización de las probabilidades de clasificación
• visualización de las métricas de rendimiento.

Resultados

Los dos modelos fueron evaluados sobre un juego de test independiente.

El modelo CNN obtiene los mejores resultados con:

• una precisión de aproximadamente 95%
• una curva ROC con un AUC cercano a 0,99

El modelo KNN alcanza una precisión de aproximadamente 93%, demostrando que un enfoque más simple puede ya producir resultados correctos, pero sigue siendo menos eficaz que una red neuronal convolutiva para el análisis de imágenes médicas.

Estos resultados confirman la eficacia de los modelos de deep learning para la clasificación de imágenes radiográficas.