e-ISSN: 1390-5902
CEDAMAZ, Vol. 11, No. 02, pp. 142–151, julio–diciembre 2021
DOI: 10.54753/cedamaz.v11i2.1183
Revisión sistemática de literatura: análisis de viabilidad para la detección y
diagnóstico de Covid-19, aplicando modelos de Inteligencia Artificial (IA)
Systematic literature review: feasibility analysis for the detection and diagnosis of
Covid-19, applying Artificial Intelligence (AI) models
Jonathan Ricardo Tillaguango Jiménez
1,*
1
Carrera de Ingeniería en Sistemas/Computación, Universidad Nacional de Loja, Loja, Ecuador
*
Autor para correspondencia: jonathan.tillaguango@unl.edu.ec
Fecha de recepción del manuscrito: 15/10/2021 Fecha de aceptación del manuscrito: 17/11/2021 Fecha de publicación: 24/12/2021
Resumen— Desde la declaración de la emergencia sanitaria provocada por el Covid-19 en marzo del 2020, hasta la fecha, existen
aproximadamente 219 millones de contagiados, de los cuales 4,5 millones han muerto. En nuestro país, se estima que existen 508 mil casos
confirmados y aproximadamente 32 mil muertes a causa de esta enfermedad. Pese a disponer de métodos verificados para diagnosticar
Covid-19, las pruebas Polymerase Chain Reaction (PCR) o Real Time-PCR (RT-PCR), tienden a generar falsos positivos y negativos entre
el 30% y el 40%. Por tal razón, ayudar a los métodos tradicionales a realizar un diagnóstico clínico preciso, usando como datos de entrada
radiografías pulmonares, supone un cambio radical en la detección de Covid-19, puesto que, es una alternativa mucho más cómoda para
el paciente y lo que es más importante, aumenta el nivel de precisión reduciendo a la vez, las tasas de falsos positivos y negativos. En
la presente Revisión Sistemática de Literatura (RSL), la cual se ha basado en la metodología de Bárbara Kitchenham, busca sustentar la
creación de un modelo basado en la arquitectura de Redes Neuronales Convolucionales (CNN), capaz de analizar radiografías pulmonares
para el diagnóstico de Covid-19. Como resultado, se pudo dar contestación a las tres preguntas de investigación planteadas, mismas que
sirvieron para delimitar el presente estudio, para ello se analizó 41 trabajos relacionados (TR), los cuales se enfocaban en diferentes métodos
de diagnóstico basados en Inteligencia Artificial (IA), no obstante 16 de estos TR hacían referencia al uso de CNN para el diagnóstico de
Covid-19 mediante el análisis de tomografías computarizadas (TC) y radiografías pulmonares (Rayos X), siendo esta última la opción
más viable para aplicarlo en nuestro entorno, debido la disponibilidad de datos. Además, el uso de recursos por parte de estos métodos es
asequible tanto a nivel local, usando la Unidad de Procesamiento Gráfico (GPU) Nvidia y memoria RAM superior a 8GB como base, o
utilizar procesamiento en la nube usando Google Colab.
Palabras clave—Diagnóstico, Covid-19, CNN, VGG16, Radiografías pulmonares, Rayos X.
Abstract— Since the declaration of the health emergency caused by Covid-19 in March 2020, to date, there are approximately 219
million infected people, of which 4.5 million have died. In our country, it is estimated that there are 508 thousand confirmed cases and
approximately 32 thousand deaths due to this disease. Despite the availability of verified methods to diagnose Covid-19, Polymerase Chain
Reaction (PCR) or Real Time-PCR (RT-PCR) tests tend to generate false positives and negatives between 30% and 40%. Therefore, helping
traditional methods to make an accurate clinical diagnosis, using lung radiographs as input data, represents a radical change in the detection
of Covid-19, since it is a much more comfortable alternative for the patient and, more importantly, increases the level of accuracy while
reducing false positive and negative rates. The present Systematic Literature Review (SLR), which is based on Barbara Kitchenham’s
methodology, seeks to support the creation of a model based on Convolutional Neural Network (CNN) architecture, capable of analyzing
pulmonary radiographs for the diagnosis of Covid-19. As a result, it was possible to answer the three research questions posed, which
served to delimit the present study, for which 41 related works (TR) were analyzed, which focused on different diagnostic methods based
on Artificial Intelligence (AI), however 16 of these TR referred to the use of CNN for the diagnosis of Covid-19 through the analysis of
computed tomography (CT) and pulmonary radiographs (X-rays), the latter being the most viable option to apply it in our environment,
due to the availability of data. Furthermore, the use of resources by these methods is affordable, either locally using the Nvidia Graphics
Processing Unit (GPU) and RAM memory greater than 8GB as a base, or using cloud processing using Google Colab.
Keywords—Diagnostics, Covid-19, CNN, VGG16, Lung radiographs, X-rays.
142
REVISIÓN SISTEMÁTICA DE LITERATURA: ANÁLISIS DE VIABILIDAD TILLAGUANGO
INTRODUCCIÓN
E
n diciembre del año 2019, la Organización Mundial de
la Salud (OMS) recibió reportes de pacientes que pre-
sentaban cuadros de neumonía aguda causados por un pa-
tógeno de origen desconocido, proveniente de la ciudad de
Wuhan, en la República Popular China (H Yao et al., 2020).
A principios de enero, las autoridades del país asiático iden-
tificaron la causa de dicha enfermedad y la catalogaron como
una nueva cepa de coronavirus desconocida hasta la fecha.
Dicha sepa era provocada por el virus SARS-COV-2, per-
teneciente a las variaciones de coronavirus (CoV), debido a
la apariencia externa de la membrana que la recubre. Este
tipo de virus por lo general, es muy común en especies ani-
males como ganado, camellos, murciélagos y gatos, aunque
en ocasiones se puede transmitir entre humanos y propagarse
entre su población (propagación zoonótica ), tal como ocu-
rrió en el año 2012, tras la aparición del MERS-CoV, en el
Reino de Arabia Saudí, dejando como resultado, alrededor de
858 fallecidos (Sahan et al., 2021). No obstante, esta última
(SARS-CoV-2), está teniendo efectos mucho más devastado-
res en la especie humana, debido a su considerable capacidad
de transmisión entre humanos, y a su elevada tasa de morta-
lidad. Por tal razón, los organismos de salud han dispuesto
de medidas sanitarias e incitaron a una respuesta por parte de
los países más afectados, con el fin de controlar y mitigar los
impactos de la pandemia (S D S Dass et al., 2020).
Pese a ello, la pandemia causada por el COVID-19, se ha
expandido a todos los continentes, dejando tras de sí, cer-
ca de 219 millones de contagios, de los cuales 4,5 millones
han muerto, según cifras oficiales manejadas por (Google-
Noticias, 2021). Según esta misma fuente, en nuestro país, se
estima que existen 508 mil casos confirmados y aproxima-
damente 32 mil muertes. Aún cuando se ha desarrollado 13
variedades de vacunas distintas (OMS, 2021), el virus SARS-
COV-2, sigue suponiendo una potencial amenaza a la salud,
sobre todo en países en los que a pesar de todas las medidas
implementadas para su contención y mitigación, existe una
escasez de equipo médico para el diagnóstico oportuno del
virus.
Acorde con lo mencionado anteriormente es preciso recal-
car que, la capacidad para tomar decisiones clínicas inme-
diatas garantizará el uso eficiente de los recursos sanitarios,
lo cual es un punto clave para compensar el creciente núme-
ro de contagios y reducir al máximo la curva de infectados
y fallecidos. Y es por ello que en la presente Revisión Siste-
mática de Literatura RSL, la cual, se llevó a cabo mediante la
metodología de Bárbara Kitchenham, ha permitido recolec-
tar un número considerable de artículos, los cuales abordan
temas relacionados con el diagnóstico de Covid-19 median-
te la aplicación de técnicas y métodos alternativos, mismos
que nos han permitido corroborar la aplicación de la IA en
este tipo de procedimientos y a la vez, optar por el que me-
jor se adapta a los recursos y características del entorno que
nos rodea, siendo los modelos de redes neuronales convolu-
cionales (CNN) aplicados al reconocimiento de patrones en
radiografías pulmonares los que alcanzaron un mayor nivel
de precisión.
A continuación, se presenta el desarrollo del presente es-
tudio, el cual se realizó en diferentes secciones como: la sec-
ción de Materiales y Métodos, donde se han definido las fa-
ses que propone Barbara Kitchenham para realizar revisio-
nes de literatura, posteriormente, se ha detallado el proceso
de cada una de estas fases. En la sección de Resultados, se
detallan las salidas de los procesos aplicados anteriormente,
resaltando sobre todo los trabajos relacionados, los cuales se
analizan, explican e interpretan de forma más detallada en la
sección de Discusión, y finalmente, se plantean las Conclu-
siones obtenidas durante la realización de la presente RSL.
MATERIALES Y MÉTODOS
La realización de la revisión sistemática de literatura
(RSL), se basa en el proceso establecido en la metodología
de Bárbara Kitchenham (Kitchenham Charters, 2007), dicho
proceso consta de tres fases fundamentales:
Planificar la revisión
• Especificar preguntas de investigación
• Desarrollar protocolo de revisión
• Validad protocolo de revisión
Conducir la revisión
• Identificar fuentes/estudios relevantes
• Seleccionar estudios primaries
• Evaluar la calidad de los estudios
• Extraer datos requeridos
• Sintetizar datos
Documentar la revisión
• Escribir informe de revisión
• Validar informe
Aunque algunas de las tareas de estas fases no son obliga-
torias, como por ejemplo:
Es opcional la puesta en marcha de una RSL, ya que
depende de la revisión sistemática que se está haciendo
sobre una base comercial.
Evaluar el protocolo de revisión y la evaluación del in-
forme, son opcionales y dependen de los procedimien-
tos de garantía de calidad decididas por el encargado de
la revisión sistemática.
Considerando los puntos anteriormente expuestos, en la
presente RSL, se aprovechó la flexibilidad de la metodología
propuesta por Kitchenham, quien depende de la necesidad
y el alcance que el investigador requiera y crea conveniente
para la obtención de resultados y posterior publicación. De
acuerdo a esto, en la Tabla 1, se presentan las fases y tareas
que fueron consideradas para el presente trabajo de investi-
gación:
RESULTADOS
A. Planificación de la revisión
Identificación de la necesidad de una revisión.
Con la presente RSL, se busca determinar las técnicas y
métodos utilizados para la detección de Covid-19 (SARS-
CoV-2), de otras enfermedades con sintomatología similar
143
e-ISSN: 1390-5902
CEDAMAZ, Vol. 11, No. 02, pp. 142–151, julio–diciembre 2021
DOI: 10.54753/cedamaz.v11i2.1183
Tabla 1: Proceso de RSL basado en la metodología de Bárbara
Kitchenham.
Fases Tareas
Planificación
de la revisión
1. Identificar la necesidad
de una revisión.
2. Especificar preguntas
de investigación.
3. Desarrollar protocolo
de revisión.
Conducción
de la revisión
1. Identificar fuentes/
estudios relevantes.
2. Seleccionar estudios
primarios.
3. Sintetizar datos
Revisión de
informes
Escribir informe de
revisión.
Tabla 2: Preguntas de investigación para la RSL
Preguntas de investigación
P1
¿Cuáles son los enfoques existentes
basados en Inteligencia Artificial (IA) o
Machine Learning (ML), para la detección
de Covid-19 (SARS-CoV-2), gripe o
neumonía pulmonar?
P2
¿Cuáles son los métodos, modelos
o herramientas más precisos empleados
hasta la fecha, para el diagnóstico de Covid-19?
P3
¿Cuáles son los recursos necesarios
empleados por los métodos de IA para
la detección de Covid-19?
tales como, la gripe y la neumonía pulmonar, mediante la
aplicación de técnicas de aprendizaje automático o Machine
Learning y de esta manera, determinar la viabilidad de diseño
y creación de un sistema capaz de diagnosticar, con un nivel
de eficiencia aceptable, si el paciente (usuario) es portador de
una de las enfermedades antes mencionadas. Todo esto con
la finalidad de optar por el método más eficiente, tomando
en cuenta los recursos disponibles y sobre todo, basarnos en
trabajos los cuales nos guíen para la delimitación de nuestra
investigación
Especificación de las preguntas de investigación.
Como un mecanismo para guiar el desarrollo de la RSL, se
ha planteado una serie de preguntas de investigación, de tal
forma que el presente trabajo se enfoque en dar respuesta a
estas preguntas, manteniendo siempre la misma perspectiva
y enfoque, estas preguntas se presentan en la Tabla 2.
Estrategias de búsqueda
Según Petticrew y Roberts (Petticrew Roberts, 2008), es
aconsejable utilizar métodos que permitan recopilar eviden-
cia de manera estructurada, para ello recomiendan utilizar el
método PICOC:
Population: ¿Quién?
Intervention: ¿Qué o cómo?
Comparation: ¿Comparado con qué?
Tabla 3: Cadenas de búsqueda para cada una de las bibliotecas
virtuales.
Bibliotecas
virtuales
Cadenas de búsqueda
ACM
Digital
Library
[Publication Title: machine learning”
“model” “expert system” “expert
systems] AND [Abstract: “covid-19 ”]
AND [[Publication Title: “diagnosis
covid-19”] OR [Publication Title:
“diagnose covid-19”] OR
[Publication Title: “covid-19”]]
AND [Abstract: “diagnosis”
“disease” “identification” AND
[[Abstract:“machine learning”] OR
[Abstract: “model”] OR [Abstract:
“expert system”] OR [Abstract:
“expert systems]] AND [Publication
Date: (01/01/2019 TO 01/31/2021)]
IEEE
Digital
Library
((((((((((“Document Title”:Covid-19)
AND “Abstract”: Machine learning)
AND “Abstract”:Model) OR “Abstract”:
Artificial intelligence) AND “Abstract”
:Diagnos) OR “Abstract”:Identification*)
AND“Document Title”:Machine learning)
OR “Document Title”:Artificial intelligence
AND Co- vid*) OR “Document Title”:
Model) AND “Abstract”:Covid-19)
Scopus
TITLE ((“machine learning” OR
“artificial intelligence” OR
“expert system” OR “intelligence systems” )
AND (“covid19” OR “covid-19” )
AND (diagnos* OR identification
OR disease ))
Outcomes: ¿Qué estás tratando de lograr / mejorar?
Context: ¿En qué tipo de organización / circunstancias?
Este método, se utiliza para describir una estructura basada
en los cinco componentes antes mencionados, de tal forma
que nos permita definir la cadena de búsqueda. No obstante,
de la nemotécnica PICOC, para la presente RSL no se con-
sidera el criterio de Comparación (Silahudin et al., 2020),
siendo únicamente cuatro componentes: Population (P), In-
tervention (I), Outcomes (O) y Context (C), los utilizados pa-
ra este fin. Así mismo, para una mejor organización y selec-
ción de todos los resultados, se utilizó la herramienta Parsifal
, la cual sirve de soporte para realizar RSL en el contexto de
la Ingeniería del Software. Gracias a esta herramienta, hemos
podido dar seguimiento a la RSL en cada una de sus etapas,
obteniendo así, resultados mucho más óptimos.
Fuentes bibliográficas.
Las fuentes bibliográficas seleccionadas fueron tomadas
de las siguientes bibliotecas virtuales:
ACM Digital Library (https://dl.acm.org/)
IEEE Digital Library (https://www.ieee.org/)
Scopus (http://www.scopus.com)
144
REVISIÓN SISTEMÁTICA DE LITERATURA: ANÁLISIS DE VIABILIDAD TILLAGUANGO
Definir palabras claves para el problema de estudio
Basándonos en la definición de los criterios PICOC, se ha
obtenido las siguientes palabras claves, las cuales nos han
permitido construir las cadenas de búsqueda. Las palabras
clave en cuestión son:
Artificial intelligence
Covid-19
Diagnosis
Machine learning
Expert system
Neural network
Cadenas de búsqueda
Las cadenas de búsqueda fueron construidas en base a
las palabras clave definidas anteriormente. Estas cadenas se
aplicaron de acuerdo a cada biblioteca virtual seleccionada:
ACM Digital Library, IEEE Digital Library y Scopus. Las
cadenas finales se presentan en la Tabla 3.
Criterios de inclusión
Se consideró como criterios de inclusión, los siguientes:
Artículos o libros con un año de publicación mayores al
2019.
Artículos o libros en inglés o español.
El artículo habla sobre los métodos de IA para identifi-
car o diagnosticar Covid-19.
Criterios de exclusión
Se consideró como criterios de exclusión, los siguientes:
Artículos con un año de publicación menor al 2019.
El modelo no reconoce o diagnostica Covid-19.
Métodos y técnicas difusos o con ambigüedad.
B. Conducción de la revisión
Identificación de la investigación
El objetivo de la presente RSL, es dar contestación a las
preguntas de investigación, mediante la búsqueda de estudios
primarios que nos ayuden con información relacionada con
las herramientas basadas en IA empleadas para diagnosticar
Covid-19 o similares, debido a que es un tema relativamente
nuevo en lo que respecta al diagnóstico de esta enfermedad
usando técnicas basadas en IA.
Razón por la cual, la selección de los estudios primarios,
se realizó contrastando los resultados de varias fuentes de
tal manera que, la información sea de calidad y se enfoque
únicamente en el objetivo de la presente RSL.
Para realizar la selección de los estudios se ha seguido el
proceso que se muestra en la Figura 1.
Fig. 1: Diagrama de actividades para el proceso de selección de
artículos.
Los estudios obtenidos en cada una de las bibliotecas vir-
tuales, se presentan en la Tabla 4, así como los trabajos que
fueron seleccionados por cada una de ellas. Estos estudios
o trabajos seleccionados, corresponden a aquellos que cum-
plieron con todos los criterios de selección establecidos.
Tabla 4: Total de estudios encontrados y seleccionados por cada
una de las bibliotecas virtuales.
Fuente Encontrados Seleccionados
ACM Digital
Library
19 6
IEEE Digital
Library
38 22
Scopus 45 13
Total 102 49
Tal como se puede evidenciar en la tabla anterior, se obtu-
vo un total de 102 trabajos relacionados (TR), los cuales fue-
ron procesados de acuerdo al diagrama expuesto en la Fig. 1.
Del total de TR, tras realizar su respectivo análisis de selec-
ción, fueron aprobados un total de 49 artículos, mismos que
cumplían con todos los criterios de selección, y lo más im-
portante, contenían información necesaria para la realización
de la presente RSL, sentando las bases para futuros trabajos.
Estos TR se presentan en la Tabla 5.
Cabe recalcar, que 8 de los 49 artículos seleccionados no
145
e-ISSN: 1390-5902
CEDAMAZ, Vol. 11, No. 02, pp. 142–151, julio–diciembre 2021
DOI: 10.54753/cedamaz.v11i2.1183
pudieron ser analizados a profundidad, debido a que su acce-
so estaba restringido, por lo que se los clasificó como inacce-
sibles, y se tomó la decisión de no incluirlos en la tabla final
de TR.
Síntesis de datos
Cada TR fue analizado con la finalidad de identificar si
contenía algún aporte significativo que nos ayudase a obtener
información relacionada con los modelos de IA utilizados
para el diagnóstico de Covid-19. Asi mismo, nos permitió
extraer información adicional como los requerimientos del
modelo, su nivel de precisión, su factibilidad de implemen-
tación y el banco de datos utilizado. Finalmente, esta síntesis
nos ha permitido dar contestación a las preguntas de investi-
gación planteadas en la Tabla 2.
¿Cuáles son los enfoques existentes basados en Inteli-
gencia Artificial (IA) o Machine Learning (ML), para
la detección de Covid-19 (SARS-CoV-2), gripe o neu-
monía pulmonar?
Según los artículos TR02, TR05, TR13, TR17, TR20,
TR21, TR22, TR24, TR25, TR26, TR27, TR28, TR29,
TR33, TR37 y TR40, proponen la creación de herramien-
tas basadas en diferentes enfoques para el diagnóstico rápido
y eficiente de Covid-19. Estos enfoques se basan en mode-
los que van desde el análisis de tomografías computariza-
das (TC) e imágenes de rayos X TR01, TR05, TR07, TR10,
TR12, TR13, TR20 TR24 y TR41, el análisis de sangre pro-
puestos en TR21 y TR38, el análisis de voz TR13, TR24 y
TR10, incluso TR30, recomienda la implementación de un
modelo para el diagnóstico de Covid-19, a partir de los sín-
tomas que el paciente ingresa en el sistema. Otros artículos
como el TR3 y TR26, proponen la construcción de un nove-
doso sistema que unifica la IA y el internet de las cosas (IoT),
con el fin de proveer de herramientas de diagnóstico asequi-
bles, tanto para profesionales de la salud y para quienes no lo
son.
¿Cuál es el enfoque de aplicación para contrarrestar el
Covid-19?
Más de la mitad de los artículos y trabajos relacionados,
apuntan a que los métodos para el diagnóstico basados en el
análisis de tomografías computarizadas (TC) y radiografías
pulmonares (rayos X) son los que mayor precisión arrojaron
en la fase de evaluación de los modelos. De estos dos últimos,
el más asequible, considerando su disponibilidad y factibili-
dad, es el método que emplea rayos X para el diagnóstico
de Covid-19, según los artículos TR01, TR07, TR10, TR13,
TR16 y TR24.
¿Cuáles son los métodos, modelos o herramientas más
precisos empleados hasta la fecha, para el diagnóstico
de Covid-19?
Referente a las herramientas, métodos y modelos de diag-
nóstico más utilizados, en los trabajos relacionados RT02,
TR07, TR11, TR16, TR18, TR23, TR24, TR30, TR31,
TR32, TR35 y TR41, se han implementado modelos basados
en Redes Neuronales Convolucionales (CNN) para el análi-
sis de imágenes médicas, mismos que han obtenido los me-
jores resultados en su fase de evaluación. Este tipo de mo-
delos, junto con aquellos que se basan en el diagnóstico a
partir de la sintomatología del paciente, como en el caso de
los artículos TR08 y TR34, presentan una mayor viabilidad
de aplicación, lo cual se ratifica en las revisiones y compara-
ciones de los modelos existentes TR08 y TR11, en donde se
establece un análisis comparativo entre los diferentes mode-
los empleados para el diagnóstico de Covid-19, llegando a la
conclusión de que la implementación de modelos basados en
redes neuronales convolucionales CNN, poseen una mayor
cantidad de aceptación y un mayor nivel de precisión, con-
virtiéndolos así, en los modelos basados en IA más factibles
para implementar.
De manera que, ¿Cuál es el modelo, método o herramien-
ta más precisa utilizada para identificar el virus del Covid-
19? Considerando la gran variedad de modelos existentes, se
resaltan aquellos que están basados en CNN y que han to-
mado como referencia su arquitectura basada en capas para
la interpretación de patrones existentes en las CT y las imá-
genes de rayos X (imágenes médicas). De esta forma, imi-
ta el entrenamiento médico, pero con una curva de aprendi-
zaje mucho mayor, dado que este tipo de modelos son ca-
paces de identificar los patrones existentes en un conjun-
to enorme de datos que cualquier humano, porque el en-
foque de CNN tiene resultados más precisos y en perio-
dos de tiempo mucho más cortos. La precisión y sensibili-
dad de los modelos implementados y descritos en los artícu-
los TR01, TR02, TR07, TR11, TR14, TR16, TR17, TR25,
TR26, TR28, TR29, TR30, TR31, TR32, TR36 y TR41, exis-
te un umbral aceptable que supera fácilmente el 90% de
precisión, siendo TR02, TR11, TR16, TR28, TR28, TR31,
TR32 y TR4, los que mayor nivel de precisión presentan,
aproximadamente un 98%.
¿Cuáles son los recursos necesarios empleados por los
métodos de IA para la detección de Covid-19?
Tomando como referencia aquellos artículos en los cuales
el nivel de precisión supera el 90%, se da contestación a la
última pregunta de investigación, ¿Cuáles son los requisitos
para su implementación?
Empezando por el artículo TR02, el cual propone la crea-
ción de un sistema potenciado por el aprendizaje automático,
para el diagnóstico de COVID-19 aplicando un modelo ba-
sado en CNN llamado DeepLab-v3+. Este modelo requiere
el tratamiento previo y el aumento de los datos, de tal ma-
nera, que los pequeños detalles, las texturas y el contraste de
las imágenes permitan una mayor precisión del diagnóstico.
Así mismo TR11, propone una red neuronal convolucional
profunda para clasificar un conjunto de imágenes médicas y
diagnosticar enfermedades como la neumonía y la COVID-
19. Para ello utiliza una máquina de vectores de soporte li-
neal, VGG-16 e InceptionV3 para modelos de redes neuro-
nales convolucionales que son utilizados para obtener los re-
sultados, además, se utilizan algoritmos de aprendizaje como
SVM, algoritmo Naive Bayes y el algoritmo de bosque alea-
torio. TR16 por su parte, propone la utilización de modelos
prediseñados de CNN (VGG-16 o VGG-19) para la creación
de un modelo propio constituido por 15 capas (una menos
que la VGG-16 que contiene 16 capas).
146
REVISIÓN SISTEMÁTICA DE LITERATURA: ANÁLISIS DE VIABILIDAD TILLAGUANGO
Tabla 5: Trabajos relacionados aprobados
Código Título Referencia
TR01
A deep learning framework to detect Covid-19 disease via chest X-ray and
CT scan images.
(Kamil, 2021)
TR02
A Deep Learning Prognosis Model Help Alert for COVID-19
Patients at High-Risk of Death: A Multi-Center Study
(Meng et al., 2020)
TR03
A multi-task pipeline with specialized streams for classification and
segmentation of infection manifestations in COVID-19 scans
(El-bana et al., 2020)
TR04
A Novel AI-enabled Framework to Diagnose Coronavirus
COVID-19 using Smartphone Embedded Sensors: Design Study
(Maghded et al., 2020)
TR05
A Novel Medical Diagnosis model for COVID-19 infection
detection based on Deep Features and Bayesian Optimization
(Nour et al., 2020)
TR06
A novel perceptual two-layer image fusion using
deep learning for imbalanced COVID-19 dataset
(Elzeki et al., 2021)
TR07
A Radiomics Signature to Quantitatively Analyze
COVID-19-Infected Pulmonary Lesions
(Qiu et al., 2021)
TR08
A Survey on how computer vision can response to urgent need to
contribute in COVID-19 pandemics
(Gazzah et al., 2020)
TR09
Accelerating detection of lung pathologies with explainable
ultrasound image analysis
(Born et al., 2021)
TR10
An Attention Mechanism with Multiple Knowledge Sources for
COVID-19 Detection from CT Images
(Nguyen et al., 2020)
TR11
Approaches based on artificial intelligence and the internet of
intelligent things to prevent the spread of COVID-19: Scoping review
(Adly et al., 2020)
TR12
Artificial Intelligence and COVID-19:
Deep Learning Approaches for Diagnosis and Treatment
(Jamshidi et al., 2020)
TR13
Artificial Intelligence applied to chest X-Ray images for the automatic
detection of COVID-19. A thoughtful evaluation approach
(Arias-Londoño
et al., 2020)
TR14
Artificial intelligence technology for
diagnosing COVID-19 cases: A review of substantial issues
(Alsharif &
Qurashi, 2020)
TR15
Benchmarking Methodology for Selection of Optimal COVID-19
Diagnostic Model Based on Entropyand OPSIS Methods
(Mohammed
et al., 2020)
TR16
CCBlock: An Effective Use of Deep Learning for Automatic Diagnosis of
COVID-19 Using X-Ray Images
(Al-Bawi et al., 2020)
TR17
Chest X-ray image analysis and classification
for COVID-19 pneumonia detection using deep CNN
(Gao, 2020)
TR18
Computer aid screening of COVID-19 using
X-ray and CT scan images: An inner comparison
(Sethy et al., 2021)
TR19
COVID CT-Net: Predicting Covid-19
from chest CT images using attentional convolutional network
(Yazdani et al., 2020)
TR20 COVID-19 detection based on deep learning and artificial bee colony (Sahan et al., 2021)
TR21
Covid-19 Detection by Optimizing Deep Residual Features with Improved
Clustering-Based Golden Ratio Optimizer
(Chattopadhyay
et al., 2021)
TR22
COVID-19 detection on chest X-Ray and CT Scan images using multi-image
augmented deep learning model
(Purohit et al., 2020)
TR23 COVID-19 Disease Diagnosis using Smart Deep Learning Techniques (Kavitha et al., 2020)
TR24
Covid19 Identification from Chest X-ray Images Using Machine Learning
Classifiers with GLCM Features
(Thepade et al., 2020)
TR25
CT Quantification and Machine-learning Models for Assessment of
Disease Severity and Prognosis of COVID-19 Patients
(Cai et al., 2020)
TR26
Deep learning analysis provides accurate COVID-19 diagnosis on
chest computed tomography
(Javor et al., 2020)
TR27
Deep Learning in Detection and Diagnosis of Covid-19 using
Radiology Modalities: A Systematic Review
(Review, 2020)
TR28
Detection of coronavirus disease (COVID-19) from X-ray images
using deep convolutional neural networks
(KUTLU &
CAMGÖZLÜ, 2021)
TR29
Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured
Latent Multi-View Representation Learning
(Kang et al., 2020)
147
e-ISSN: 1390-5902
CEDAMAZ, Vol. 11, No. 02, pp. 142–151, julio–diciembre 2021
DOI: 10.54753/cedamaz.v11i2.1183
Tabla 5: Trabajos relacionados aprobados
Código Título Referencia
TR30 Expert system for early diagnosis of covid-19
(Sharana Dharshikgan
Suresh Dass et al., 2020)
TR31
Heg.IA: an intelligent system to support diagnosis of Covid-19
based on blood tests
(de Freitas Barbosa
et al., 2021)
TR32 Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images
(de Freitas Barbosa
et al., 2021)
TR33
Intelligent Internet of Things and Advanced Machine Learning
Techniques for COVID-19
(Chakraborty &
Abougreen, 2018)
TR034
Longitudinal proteomic profiling of high-risk patients with COVID-19
reveals markers of severity and predictors of fatal disease
(Gisby et al., 2020)
TR35
Machine learning-based prediction of COVID-19 diagnosis based
on symptoms
(Zoabi et al., 2021)
TR36
Model expert system for diagnosis of
COVID-19 using naïvebayes classifier
(Silahudin et al., 2020)
TR37
Multi-task contrastive learning for automatic
CT and X-ray diagnosis of COVID-19
(M. D. Li et al., 2021)
TR38
Severity Detection for the Coronavirus Disease 2019 (COVID-19)
Patients Using a Machine Learning Model Based on the Blood and Urine Tests
(Haochen Yao
et al., 2020)
TR39
The value of artificial intelligence and imaging diagnosis in the
fight against COVID-19
(Zhang et al., 2021)
TR40
Transfer learning to detect COVID-19 automatically from
X-ray images, using convolutional neural networks
(Taresh et al., 2020)
TR41
Using machine learning of clinical data to diagnose COVID-19:
A systematic review and meta-analysis
(W. T. Li et al., 2020)
En términos de rendimiento VGG-16, es una red con baja
complejidad computacional debido a las pequeñas dimensio-
nes de sus filtros, exactamente 9 pixeles por cada una de las
16 capas de aprendizaje que la componen.
Al igual que en los artículos anteriores, TR28 propone
la implementación de un modelo basado en redes neurona-
les convolucionales CNN para solventar el problema actual
que presentan las pruebas RT-PCR al diagnosticar COVID-
19. Este modelo está enfocado en el diagnóstico a partir del
análisis de radiografías de tórax, además, utiliza SVM para
clasificar cada una de las clases de radiografías existentes.
En lo que respecta al modelo de aprendizaje profundo uti-
lizado en este trabajo, el VGG-16 que también se menciona
en el artículo TR29, consta de diferentes capas de agrupación
máxima, de activación y convolución completamente conec-
tadas, conformando un total de 21 capas, pero solo 16 de
peso. Estas capas adicionales están conformadas a su vez por
5 capas de agrupación máxima, 3 de densidad y 13 de con-
volución.
Además, para su construcción en la mayoría de los TR se
ha empleado Python como lenguaje de programación, y en
lo que a hardware corresponde, se recomienda utilizar un
CPU con una capacidad de procesamiento igual o superior
al AMD Ryzen 53600x o por el lado de Intel, considerar
las opciones a partir del Core i5-9400f en adelante, para la
unidad de procesamiento gráfico o GPU, se recomienda el
uso de una NVIDIA GTX 1080 o superior, además como
requisito mínimo, usar 16 GB de RAM para aprovechar al
máximo la capacidad de procesamiento de las CPU y la
GPU.
DISCUSIÓN
La presente RSL tuvo como propósito determinar las téc-
nicas, métodos o modelos utilizados en la detección de
Covid-19 (SARS-CoV-2) de otras enfermedades con sinto-
matología similar tales como la gripe y el resfriado mediante
la aplicación de técnicas de aprendizaje automático o Ma-
chine Learning, y de esta manera determinar la viabilidad de
diseño y creación de un sistema capaz de diagnosticar con
un nivel de eficiencia aceptable, si el paciente (usuario) es
portador de una de las enfermedades antes mencionadas.
De los resultados obtenidos tras el análisis de los TR,
en la mayoría de ellos, contienen métodos innovadores
basados en IA para el diagnóstico de Covid-19. Métodos
como el análisis de sangre o el análisis de voz comprenden
una complejidad y reto mayor, sobre todo estos métodos
no garantizan una fiabilidad mayor al 90%, que es lo que
esperamos obtener. Así mismo, el uso de un sistema que
utiliza el procesamiento de lenguaje natural para el diag-
nóstico de la enfermedad, podría ser una solución aceptable
y aplicable, considerando los recursos y la población a la
que está dirigida este sistema, el único inconveniente tras
el análisis de TR3 y TR26, que son los artículos que hacen
mención a esta alternativa, es la variedad de síntomas que
presenta el Covid-19, muchos de ellos no se presentan entre
los pacientes infectados, por lo que fácilmente se lo puede
confundir con otro tipo de afección pulmonar como la gripa
o neumonía. Finalmente, el uso de CNN para el diagnóstico
de Covid-19 usando imágenes médicas, se ha considerado
como una alternativa viable para implementar, ya que los
148
REVISIÓN SISTEMÁTICA DE LITERATURA: ANÁLISIS DE VIABILIDAD TILLAGUANGO
recursos con los cuales disponemos, sumado al nivel
de precisión alcanzado en los TR que hacen mención a este
método, sustentan nuestra elección.
En términos de precisión, la CNN, específicamente aque-
llos modelos basados en la arquitectura VGG-16, presentan
un nivel de precisión superiores al 90%, llegando a alcanzar
como máximo el 98%. Estos datos, sumados a los recursos
que los TR emplearon para su realización, nos permitieron
optar por esta arquitectura frente a otros modelos como In-
ceptionV3 o ResNet50, los cuales se mantienen bajo el um-
bral del 95% en el mejor de los casos. Ahora bien, una vez
se estableció el modelo y arquitectura, fue necesario delimi-
tar el tipo de imagen médica más factible utilizada en la fase
de construcción del modelo, siendo las TC y las radiografías
pulmonares las utilizadas para este fin.
Uno de los factores tomados en cuenta, fue la disponibili-
dad de los datos, y el segundo su accesibilidad, ya que mu-
chos de los bancos de datos utilizados en los TR no estaban
disponibles o simplemente, no se pudo acceder a ellos, no
obstante, trabajos relacionados como TR40, hacía referencia
a una base de datos la cual contenía un gran número de ra-
diografías pulmonares listas para ser utilizadas. A pesar de
que las TC son capaces de captar un mayor número de datos
en comparación a las radiografías pulmonares, las TC son
mucho más costosas de realizar debido a los equipos espe-
ciales que se emplean para este fin, así mismo, tras realizar
un análisis del entorno en el cual se puede implementar, no
disponen de estos equipos, pero si disponen de máquinas de
Rayos X. Además la RSL justifica y ratifica que los modelos
basados en CNN presentan una mayor eficiencia al momento
de implementar modelos capaces de diagnosticar Covid-19,
alcanzando un porcentaje de precisión mayor al 95% en la
mayoría de los casos.
Por último, los recursos utilizados por los modelos basa-
dos en CNN, son asequibles para una eventual implemen-
tación, tanto a nivel de hardware como de software, existen
alternativas Open Source como Google Colab, la cual nos
brinda recursos para desplegar este tipo de modelos en caso
de que los recursos disponibles de forma local no sean sufi-
cientes.
CONCLUSIONES
Tras el análisis de los enfoques alternativos de IA como
procesamiento de lenguaje natural, análisis de sangre y sin-
tomatología para el diagnóstico de Covid-19 desarrollados en
los TR, se concluye que los métodos basados en el análisis de
imágenes médicas como tomografías computarizadas (TC) y
rayos X, son la opción más viable para una eventual imple-
mentación. Siendo las redes neuronales convolucionales la
rama de la IA con la que mejores resultados se obtuvieron,
un promedio superior al 90%, superando así, el nivel de pre-
cisión de las pruebas tradicionales PCR/RT-PCR.
Los modelos orientados al diagnóstico de Covid-19 me-
diante el análisis de imágenes médicas utilizando redes neu-
ronales convolucionales, presentan los mejores resultados,
sobre todo en la fase de evaluación, siendo VGG-16 el más
preciso, sobrepasando el 95% con respecto a modelos co-
mo InceptionV3 o DeepLab-v3+. Además, el uso de modelos
preentrenados (VGG-16) garantiza una precisión superior al
30% respecto a las pruebas tradicionales RT-PCR.
Los recursos utilizados para la implementación del modelo
basado en redes neuronales convolucionales, dependerán en
gran medida de la configuración de sus hiperparámetros y los
drivers disponibles para dicho fin. Aspectos como disponibi-
lidad de drivers y librerías son resaltados en los TR debido
a la compatibilidad de los mismos con los componentes de
hardware, sobre todo con las GPU Nvidia usadas en la fase
de entrenamiento.
AGRADECIMIENTOS
Mi agradecimiento más sincero a la Universidad Nacional
de Loja, a todos sus docentes los cuales me formaron tanto
intelectual y profesionalmente.
REFERENCIAS
Adly, A. S. A. S., Adly, A. S. A. S., y Adly, M. S. (2020).
Approaches Based on artificial intelligence and the internet
of intelligent things to prevent the spread of COVID-19:
Scoping review. Journal of Medical Internet Research, 22(8).
https://doi.org/10.2196/19104
Al-Bawi, A., Al-Kaabi, K., Jeryo, M., y Al-Fatlawi, A.
(2020). CCBlock: an effective use of deep learning for auto-
matic diagnosis of COVID-19 using X-ray images. Research
on Biomedical Engineering. https://doi.org/10.1007/s42600-
020-00110-7
Alsharif, W., y Qurashi, A. (2020). Effectiveness of
COVID-19 diagnosis and management tools: A review.
Radiography. https://doi.org/10.1016/j.radi.2020.09.010
Arias-Londoño, J. D., Gomez-Garcia, J. A., Moro-
Velazquez, L., y Godino-Llorente, J. I. (2020). Artificial
Intelligence applied to chest X-Ray images for the automatic
detection of COVID-19. A thoughtful evaluation approach.
Born, J., Wiedemann, N., Cossio, M., Buhre, C.,
Brändle, G., Leidermann, K., Aujayeb, A., Moor, M.,
Rieck, B., y Borgwardt, K. (2021). Accelerating detection
of lung pathologies with explainable ultrasound image
analysis. Applied Sciences (Switzerland), 11(2), 1–23.
https://doi.org/10.3390/app11020672
Cai, W., Liu, T., Xue, X., Luo, G., Wang, X., Shen,
Y., Fang, Q., Sheng, J., Chen, F., y Liang, T. (2020).
CT Quantification and Machine-learning Models for
Assessment of Disease Severity and Prognosis of COVID-
19 Patients. Academic Radiology, 27(12), 1665–1678.
https://doi.org/10.1016/j.acra.2020.09.004
Chakraborty, C., y Abougreen, A. (2018). Intelligent
Internet of Things and Advanced Machine Learning
Techniques for COVID-19. EAI Endorsed Transac-
tions on Pervasive Health and Technology, 168505.
https://doi.org/10.4108/eai.28-1-2021.168505
Chattopadhyay, S., Dey, A., Singh, P. K., Geem, Z.
W., y Sarkar, R. (2021). Covid-19 Detection by Optimi-
zing Deep Residual Features with Improved Clustering-
149
e-ISSN: 1390-5902
CEDAMAZ, Vol. 11, No. 02, pp. 142–151, julio–diciembre 2021
DOI: 10.54753/cedamaz.v11i2.1183
Based Golden Ratio Optimizer. Diagnostics, 11(2), 315.
https://doi.org/10.3390/diagnostics11020315
Dass, S D S, Meskaran, F., y Saeedi, M. (2020). Ex-
pert system for early diagnosis of covid-19. International
Journal of Current Research and Review, 12(22), 162–165.
https://doi.org/10.31782/IJCRR.2020.122227
Dass, Sharana Dharshikgan Suresh, Meskaran,
F., y Saeedi, M. (2020). Expert system for early
diagnosis of covid-19. International Journal of
Current Research and Review, 12(22), 162–165.
https://doi.org/10.31782/IJCRR.2020.122227
de Freitas Barbosa, V. A., Gomes, J. C., de Santana, M. A.,
Albuquerque, J. E. A., de Souza, R. G., de Souza, R. E., dos
Santos, W. P. (2021). Heg.IA: an intelligent system to sup-
port diagnosis of Covid-19 based on blood tests. Research
on Biomedical Engineering. https://doi.org/10.1007/s42600-
020-00112-5
El-bana, S., Al-Kabbany, A., y Sharkas, M. (2020).
A multi-task pipeline with specialized streams for clas-
sification and segmentation of infection manifestations
in COVID-19 scans. PeerJ Computer Science, 6, e303.
https://doi.org/10.7717/peerj-cs.303
Elzeki, O. M., Abd Elfattah, M., Salem, H., Hassa-
nien, A. E., Shams, M. (2021). A novel perceptual two
layer image fusion using deep learning for imbalanced
COVID-19 dataset. PeerJ Computer Science, 7, e364.
https://doi.org/10.7717/peerj-cs.364
Gao, T. (2020). Chest X-ray image analysis
and classification for COVID-19 pneumonia de-
tection using deep CNN. In medRxiv. medRxiv.
https://doi.org/10.1101/2020.08.20.20178913 Gazzah,
S., Bencharef, O., Marrakech, F. (2020). A Survey on how
computer vision can response to urgent need to contribute in
COVID-19 pandemics.
Gisby, J., Clarke, C. L., Medjeral-Thomas, N., Malik, T.
H., Papadaki, A., Mortimer, P. M., Buang, N. B., Lewis,
S., Pereira, M., Toulza, F., Fagnano, E., Mawhin, M. A.,
Dutton, E. E., Tapeng, L., Kirk, P., Behmoaras, J., Sandhu,
E., McAdoo, S. P., Prendecki, M. F., . . . Peters, J. E. (2020).
Longitudinal proteomic profiling of high-risk patients with
COVID-19 reveals markers of severity and predictors of
fatal disease. In medRxiv (Vol. 16, Issue 2, p. e0247176).
medRxiv. https://doi.org/10.1101/2020.11.05.20223289’
Google-Noticias. (2021). Coronavirus (COVID-19).
Jamshidi, M., Lalbakhsh, A., Talla, J., Peroutka, Z.,
Hadjilooei, F., Lalbakhsh, P., Jamshidi, M., Spada, L.
L., Mirmozafari, M., Dehghani, M., Sabet, A., Rosha-
ni, S., Roshani, S., Bayat-Makou, N., Mohamadzade,
B., Malek, Z., Jamshidi, A., Kiani, S., Hashemi-Dezaki,
H., y Mohyuddin, W. (2020). Artificial Intelligence and
COVID-19: Deep Learning Approaches for Diagno-
sis and Treatment. IEEE Access, 8, 109581–109595.
https://doi.org/10.1109/ACCESS.2020.3001973
Javor, D., Kaplan, H., Kaplan, A., Puchner, S. B.,
Krestan, C., y Baltzer, P. (2020). Deep learning analysis
provides accurate COVID-19 diagnosis on chest com-
puted tomography. European Journal of Radiology, 133.
https://doi.org/10.1016/j.ejrad.2020.109402
Kamil, M. Y. (2021). A deep learning framework to detect
Covid-19 disease via chest X-ray and CT scan images. In-
ternational Journal of Electrical and Computer Engineering,
11(1), 844–850. https://doi.org/10.11591/ijece.v11i1.pp844-
850
Kang, H., Xia, L., Yan, F., Wan, Z., Shi, F., Yuan, H.,
Jiang, H., Wu, D., Sui, H., Zhang, C., y Shen, D. (2020).
Diagnosis of Coronavirus Disease 2019 (COVID-19) with
Structured Latent Multi-View Representation Learning.
IEEE Transactions on Medical Imaging, 39(8), 2606–2614.
https://doi.org/10.1109/TMI.2020.2992546
Kavitha, K. V, Deshpande, S. R., Pandit, A. P., y Unni-
krishnan, A. G. (2020). Application of tele-podiatry in diabe-
tic foot management: A series of illustrative cases. Diabetes
and Metabolic Syndrome: Clinical Research and Reviews,
14(6), 1991–1995. https://doi.org/10.1016/j.dsx.2020.10.009
Kitchenham, B., y Charters, S. (2007). Guidelines for
performing Systematic Literature Reviews in Software
Engineering.
Kutlu, Y., y Cangozlu, Y. (2021). Detection of coronavirus
disease (COVID-19) from X-ray images using deep convo-
lutional neural networks. Natural and Engineering Sciences,
6(1), 60–74. https://doi.org/10.28978/nesciences.868087
Li, M. D., Little, B. P., Alkasab, T. K., Mendoza,
D. P., Succi, M. D., Shepard, J.-A. O., Lev, M. H., y
Kalpathy-Cramer, J. (2021). Multi-Radiologist User Study
for Artificial Intelligence-Guided Grading of COVID-19
Lung Disease Severity on Chest Radiographs. Academic
Radiology. https://doi.org/10.1016/j.acra.2021.01.016
Li, W. T., Ma, J., Shende, N., Castaneda, G., Chakladar,
J., Tsai, J. C., Apostol, L., Honda, C. O., Xu, J., Wong,
L. M., Zhang, T., Lee, A., Gnanasekar, A., Honda, T. K.,
Kuo, S. Z., Yu, M. A., Chang, E. Y., Rajasekaran, M. R.,
y Ongkeko, W. M. (2020). Using machine learning of
clinical data to diagnose COVID-19: A systematic review
and meta-analysis. BMC Medical Informatics and Decision
Making, 20(1). https://doi.org/10.1186/s12911-020-01266-z
Maghded, H. S., Ghafoor, K. Z., Sadiq, A. S., Curran,
K., Rawat, D. B., y Rabie, K. (2020). A Novel AI-enabled
Framework to Diagnose Coronavirus COVID-19 using
Smartphone Embedded Sensors: Design Study. Proceedings
- 2020 IEEE 21st International Conference on Information
Reuse and Integration for Data Science, IRI 2020, 180–187.
https://doi.org/10.1109/IRI49571.2020.00033
Meng, L., Dong, D., Li, L., Niu, M., Bai, Y., Wang,
150
REVISIÓN SISTEMÁTICA DE LITERATURA: ANÁLISIS DE VIABILIDAD TILLAGUANGO
M., Qiu, X., Zha, Y., y Tian, J. (2020). A Deep Learning
Prognosis Model Help Alert for COVID-19 Patients at
High-Risk of Death: A Multi-Center Study. IEEE Journal
of Biomedical and Health Informatics, 24(12), 3576–3584.
https://doi.org/10.1109/JBHI.2020.3034296
Mohammed, M. A., Abdulkareem, K. H., Al-Waisy, A.
S., Mostafa, S. A., Al-Fahdawi, S., Dinar, A. M., Alhakami,
W., Baz, A., Al-Mhiqani, M. N., Alhakami, H., Arbaiy, N.,
Maashi, M. S., Mutlag, A. A., Garcia-Zapirain, B., De La
Torre Diez, I. (2020). Benchmarking Methodology for Selec-
tion of Optimal COVID-19 Diagnostic Model Based on En-
tropy and TOPSIS Methods. IEEE Access, 8, 99115–99131.
https://doi.org/10.1109/ACCESS.2020.2995597’
Nguyen, D. M. H., Nguyen, D. M., Vu, H., Nguyen, B. T.,
Nunnari, F., y Sonntag, D. (2020). An Attention Mechanism
with Multiple Knowledge Sources for COVID-19 Detection
from CT Images.
Nour, M., Cömert, Z., y Polat, K. (2020). A Novel Medical
Diagnosis model for COVID-19 infection detection based
on Deep Features and Bayesian Optimization. Applied Soft
Computing, 97. https://doi.org/10.1016/j.asoc.2020.106580
OMS. (2021). Enfermedad por el coronavirus (COVID-
19): Vacunas. Onu. OMS, O. M. de la S. (2020). Zoonosis.
Petticrew, M., y Roberts, H. (2008). Systematic Reviews
in the Social Sciences: A Practical Guide. In Systematic
Reviews in the Social Sciences: A Practical Guide. Black-
well Publishing Ltd. https://doi.org/10.1002/9780470754887
Purohit, K., Kesarwani, A., Kisku, D. R., y Da-
lui, M. (2020). COVID-19 detection on chest X-
Ray and CT Scan images using multi-image aug-
mented deep learning model. In bioRxiv. bioRxiv.
https://doi.org/10.1101/2020.07.15.205567
Qiu, J., Peng, S., Yin, J., Wang, J., Jiang, J., Li, Z.,
Song, H., Zhang, W. (2021). A Radiomics Signature to
Quantitatively Analyze COVID-19-Infected Pulmonary
Lesions. Interdisciplinary Sciences: Computational Life
Sciences. https://doi.org/10.1007/s12539-020-00410-7
Ramajo, J., y Márquez, M. Á. (2008). Componentes
espaciales en el modelo Shift-Share. Una aplicación al caso
de las regiones peninsulares españolas. Estadística Española,
50(168), 247–272.
Review, S. (2020). Deep Learning in Detection and
Diagnosis of Covid-19 using Radiology Modalities: A.
1–12.
Sahan, A. M., Al-Itbi, A. S., y Hameed, J. S. (2021).
COVID-19 detection based on deep learning and artificial
bee colony. 9(1), 29–36.
Sethy, P. K., Behera, S. K., Anitha, K., Pandey, C., y
Khan, M. R. (2021). Computer aid screening of COVID-19
using X-ray and CT scan images: An inner compari-
son. Journal of X-Ray Science and Technology, 1–14.
https://doi.org/10.3233/xst-200784
Silahudin, D., Henderi, y Holidin, A. (2020). Model
expert system for diagnosis of COVID-19 using naïve
bayes classifier. IOP Conference Series: Materials Science
and Engineering, 1007(1). https://doi.org/10.1088/1757-
899X/1007/1/012067
Taresh, M., Zhu, N., y Ali Ali, T. A. (2020). Transfer
learning to detect COVID-19 automatically from X-ray
images, using convolutional neural networks. In medRxiv.
medRxiv. https://doi.org/10.1101/2020.08.25.20182170
Thepade, S. D., Bang, S. V., Chaudhari, P. R., y
Dindorkar, M. R. (2020). Covid19 Identification from
Chest X-ray Images Using Machine Learning Clas-
sifiers with GLCM Features. Electronic Letters on
Computer Vision and Image Analysis, 19(3), 85–97.
https://doi.org/10.5565/REV/ELCVIA.1277
Yao, H, Zhang, N., Zhang, R., Duan, M., Xie, T.,
Pan, J., Peng, E., Huang, J., Zhang, Y., Xu, X., Xu, H.,
Zhou, F., y Wang, G. (2020). Severity Detection for the
Coronavirus Disease 2019 (COVID-19) Patients Using a
Machine Learning Model Based on the Blood and Urine
Tests. Frontiers in Cell and Developmental Biology, 8.
https://doi.org/10.3389/fcell.2020.00683
Yao, Haochen, Zhang, N., Zhang, R., Duan, M., Xie,
T., Pan, J., Peng, E., Huang, J., Zhang, Y., Xu, X., Xu, H.,
Zhou, F., y Wang, G. (2020). Severity Detection for the
Coronavirus Disease 2019 (COVID-19) Patients Using a
Machine Learning Model Based on the Blood and Urine
Tests. Frontiers in Cell and Developmental Biology, 8(10),
2776–2786. https://doi.org/10.3389/fcell.2020.00683
Yazdani, S., Minaee, S., Kafieh, R., Saeedizadeh, N.,
Sonka, M. (2020). COVID CT-Net: Predicting Covid-19
from chest CT images using attentional convolutional net-
work. ArXiv. Zhang, D., Liu, X., Shao, M., Sun, Y., Lian, Q.,
y Zhang, H. (2021). The value of artificial intelligence and
imaging diagnosis in the fight against COVID-19. Personal
and Ubiquitous Computing. https://doi.org/10.1007/s00779-
021-01522-7
Zoabi, Y., Deri-Rozov, S., y Shomron, N. (2021).
Machine learning-based prediction of COVID-19 diag-
nosis based on symptoms. Npj Digital Medicine, 4(1).
https://doi.org/10.1038/s41746-020-00372-6
151
