RSL Sobre Diagnóstico de COVID-19 Utilizando Redes Neuronales Artificiales Convolucionales

Autores
Bennesch, Eduardo Hugo; Klan, Rocío; Mousquere, Juan Carlos
Año de publicación
2022
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
La rápida propagación del COVID-19 a nivel mundial obligó a desarrollar sistemas y métodos para predecir el comportamiento del virus o detectar la infección. Una de las formas de detectar al COVID-19 es a través del análisis de Rayos X o de Tomografías Computarizadas del tórax, por lo que resulta relevante desarrollar modelos de IA que puedan asistir en la toma de decisiones. El objetivo de este informe es presentar una Revisión Sistemática de la Literatura (RSL) para evidenciar los avances en el desarrollo de soluciones software utilizando Redes Neuronales Artificiales (RNA) enfocadas en la detección del COVID-19. La búsqueda de artículos se realizó en seis fuentes diferentes. Como resultado, se obtuvieron 18 estudios clasificados en 5 dimensiones: Tipos de Propuestas, Tipos de datos, Validación, Características y Tipo de Soporte. Este trabajo evidencia que existen en simultáneo una gran cantidad de investigaciones relacionadas, que apuntan a la necesidad de encontrar soluciones prácticas, de bajo costo y de rápida evolución. La mayoría de los trabajos estudiados hacen hincapié en el dinamismo de los métodos de entrenamiento y la precisión de las respuestas.
XX Workshop Computación Gráfica, Imágenes y Visualización (WCGIV)
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
redes neuronales convolucionales
machine learning
detección por imágenes
COVID-19
diagnóstico temprano
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/149425
Acceder
id SEDICI_536ea219d1d1a7ab1055bc2e63397a57
oai_identifier_str oai:sedici.unlp.edu.ar:10915/149425
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling RSL Sobre Diagnóstico de COVID-19 Utilizando Redes Neuronales Artificiales ConvolucionalesBennesch, Eduardo HugoKlan, RocíoMousquere, Juan CarlosCiencias Informáticasredes neuronales convolucionalesmachine learningdetección por imágenesCOVID-19diagnóstico tempranoLa rápida propagación del COVID-19 a nivel mundial obligó a desarrollar sistemas y métodos para predecir el comportamiento del virus o detectar la infección. Una de las formas de detectar al COVID-19 es a través del análisis de Rayos X o de Tomografías Computarizadas del tórax, por lo que resulta relevante desarrollar modelos de IA que puedan asistir en la toma de decisiones. El objetivo de este informe es presentar una Revisión Sistemática de la Literatura (RSL) para evidenciar los avances en el desarrollo de soluciones software utilizando Redes Neuronales Artificiales (RNA) enfocadas en la detección del COVID-19. La búsqueda de artículos se realizó en seis fuentes diferentes. Como resultado, se obtuvieron 18 estudios clasificados en 5 dimensiones: Tipos de Propuestas, Tipos de datos, Validación, Características y Tipo de Soporte. Este trabajo evidencia que existen en simultáneo una gran cantidad de investigaciones relacionadas, que apuntan a la necesidad de encontrar soluciones prácticas, de bajo costo y de rápida evolución. La mayoría de los trabajos estudiados hacen hincapié en el dinamismo de los métodos de entrenamiento y la precisión de las respuestas.XX Workshop Computación Gráfica, Imágenes y Visualización (WCGIV)Red de Universidades con Carreras en Informática2022-10info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf253-262http://sedici.unlp.edu.ar/handle/10915/149425spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-1364-31-2info:eu-repo/semantics/reference/hdl/10915/149102info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:38:21Zoai:sedici.unlp.edu.ar:10915/149425Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:38:22.037SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv RSL Sobre Diagnóstico de COVID-19 Utilizando Redes Neuronales Artificiales Convolucionales
title RSL Sobre Diagnóstico de COVID-19 Utilizando Redes Neuronales Artificiales Convolucionales
spellingShingle RSL Sobre Diagnóstico de COVID-19 Utilizando Redes Neuronales Artificiales Convolucionales
Bennesch, Eduardo Hugo
Ciencias Informáticas
redes neuronales convolucionales
machine learning
detección por imágenes
COVID-19
diagnóstico temprano
title_short RSL Sobre Diagnóstico de COVID-19 Utilizando Redes Neuronales Artificiales Convolucionales
title_full RSL Sobre Diagnóstico de COVID-19 Utilizando Redes Neuronales Artificiales Convolucionales
title_fullStr RSL Sobre Diagnóstico de COVID-19 Utilizando Redes Neuronales Artificiales Convolucionales
title_full_unstemmed RSL Sobre Diagnóstico de COVID-19 Utilizando Redes Neuronales Artificiales Convolucionales
title_sort RSL Sobre Diagnóstico de COVID-19 Utilizando Redes Neuronales Artificiales Convolucionales
dc.creator.none.fl_str_mv Bennesch, Eduardo Hugo
Klan, Rocío
Mousquere, Juan Carlos
author Bennesch, Eduardo Hugo
author_facet Bennesch, Eduardo Hugo
Klan, Rocío
Mousquere, Juan Carlos
author_role author
author2 Klan, Rocío
Mousquere, Juan Carlos
author2_role author
author
dc.subject.none.fl_str_mv Ciencias Informáticas
redes neuronales convolucionales
machine learning
detección por imágenes
COVID-19
diagnóstico temprano
topic Ciencias Informáticas
redes neuronales convolucionales
machine learning
detección por imágenes
COVID-19
diagnóstico temprano
dc.description.none.fl_txt_mv La rápida propagación del COVID-19 a nivel mundial obligó a desarrollar sistemas y métodos para predecir el comportamiento del virus o detectar la infección. Una de las formas de detectar al COVID-19 es a través del análisis de Rayos X o de Tomografías Computarizadas del tórax, por lo que resulta relevante desarrollar modelos de IA que puedan asistir en la toma de decisiones. El objetivo de este informe es presentar una Revisión Sistemática de la Literatura (RSL) para evidenciar los avances en el desarrollo de soluciones software utilizando Redes Neuronales Artificiales (RNA) enfocadas en la detección del COVID-19. La búsqueda de artículos se realizó en seis fuentes diferentes. Como resultado, se obtuvieron 18 estudios clasificados en 5 dimensiones: Tipos de Propuestas, Tipos de datos, Validación, Características y Tipo de Soporte. Este trabajo evidencia que existen en simultáneo una gran cantidad de investigaciones relacionadas, que apuntan a la necesidad de encontrar soluciones prácticas, de bajo costo y de rápida evolución. La mayoría de los trabajos estudiados hacen hincapié en el dinamismo de los métodos de entrenamiento y la precisión de las respuestas.
XX Workshop Computación Gráfica, Imágenes y Visualización (WCGIV)
Red de Universidades con Carreras en Informática
description La rápida propagación del COVID-19 a nivel mundial obligó a desarrollar sistemas y métodos para predecir el comportamiento del virus o detectar la infección. Una de las formas de detectar al COVID-19 es a través del análisis de Rayos X o de Tomografías Computarizadas del tórax, por lo que resulta relevante desarrollar modelos de IA que puedan asistir en la toma de decisiones. El objetivo de este informe es presentar una Revisión Sistemática de la Literatura (RSL) para evidenciar los avances en el desarrollo de soluciones software utilizando Redes Neuronales Artificiales (RNA) enfocadas en la detección del COVID-19. La búsqueda de artículos se realizó en seis fuentes diferentes. Como resultado, se obtuvieron 18 estudios clasificados en 5 dimensiones: Tipos de Propuestas, Tipos de datos, Validación, Características y Tipo de Soporte. Este trabajo evidencia que existen en simultáneo una gran cantidad de investigaciones relacionadas, que apuntan a la necesidad de encontrar soluciones prácticas, de bajo costo y de rápida evolución. La mayoría de los trabajos estudiados hacen hincapié en el dinamismo de los métodos de entrenamiento y la precisión de las respuestas.
publishDate 2022
dc.date.none.fl_str_mv 2022-10
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/149425
url http://sedici.unlp.edu.ar/handle/10915/149425
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-987-1364-31-2
info:eu-repo/semantics/reference/hdl/10915/149102
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
253-262
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616258702540800
score 13.070432

Publicaciones similares