REVISTA INTERNACIONAL SOCIO-INNOVA-TEC DEL ALTIPLANO (REISITAL)

En el mundo, alrededor de 15 millones de niños nacen al año sin completar su etapa gestacional. De acuerdo a datos de la Organización Mundial de la Salud en las “Recomendaciones de la OMS para cuidado del lactante prematuro o bebé de bajo peso al nacer”, el 45% de todas las defunciones de infantes menores de 5 años, del 60% al 80% son prematuros a causa mayor de deficiencias respiratorias. La malformación pulmonar, resulta en aborto inducido o Síndrome de Dificultad Respiratoria, RDS por sus siglas del inglés de Respiratory Distress Syndrome. RDS puede prevenirse por medio de estudios clínicos y criterios radiológicos. Este trabajo aborda la tarea de identificar malformaciones usando el análisis digital de imágenes de pulmones en etapa fetal, mediante herramientas de aprendizaje profundo en una categorización multiclase de secuestro broncopulmonar, malformaciones quísticas y hernia diafragmática, donde existe riesgo de diagnóstico errado y fallecimiento. Resultando en una exactitud del modelo de 88.88%, de un conjunto de 42 sonogramas bidimensionales.

Worldwide, about 15 million infants are born each year without completing their gestational stage.According to data from the World Health Organization in the "WHO Recommendations for the care of preterm or low birth weight infants", 45% of all deaths of infants under 5 years of age, 60% to 80% are premature due to major respiratory deficiencies. Lung malformation results in induced abortion or Respiratory Distress Syndrome (RDS). RDS can be prevented by clinical studies and radiological criteria. This work addresses the task of identifying malformations using digital analysis of fetal lung images using deep learning tools in a multiclass categorization of bronchopulmonary sequestration, cystic malformations and diaphragmatic hernia, where there is a risk of misdiagnosis and death. Resulting in a model accuracy of 88.88%, from a set of 42 two-dimensional sonograms.