Abordagens de Aprendizado Profundo para Detectar Pneumonia em Pacientes com COVID-19 Analisando Imagens de Raio-X do Tórax

A pandemia de COVID-19 causou estragos na vida cotidiana dos seres humanos e devastou muitas economias em todo o mundo, cobrando milhões de vidas até agora. Estudos sobre COVID-19 mostraram que adultos mais velhos e pessoas com histórico de diversos problemas médicos, especificamente casos anteriores de pneumonia, estão em maior risco de desenvolver complicações severas devido à COVID-19. Como a pneumonia é um tipo comum de infecção que se espalha nos pulmões, os médicos geralmente realizam um raio-X do tórax para identificar as regiões infectadas dos pulmões. Neste estudo, ferramentas de aprendizado de máquina como o LabelBinarizer são utilizadas para realizar codificação one-hot nas imagens de raio-X do tórax rotuladas e transformá-las em forma categórica usando a ferramenta tocategorical do Python. Subsequentemente, várias características de aprendizado profundo, como rede neural convolucional (CNN), VGG16, AveragePooling2D, dropout, flatten, dense e input são utilizadas para construir um modelo de detecção. Adam é usado como otimizador, que pode ser aplicado para prever pneumonia em pacientes com COVID-19. O modelo previu pneumonia com uma precisão média de 91.69%, sensibilidade de 95.92% e especificidade de 100%. O modelo também reduz de forma eficiente a perda de treinamento e aumenta a precisão.