Aplicación del método ensemble para la clasificación de imágenes médicas cardíacas
DOI:
https://doi.org/10.59681/2175-4411.v17.2025.1207Palabras clave:
Aprendizaje automático, cardiomiopatías, imagen por resonancia cinemagnéticaResumen
Las enfermedades cardíacas son responsables de aproximadamente 17 millones de muertes en todo el mundo, según la Organización Mundial de la Salud. Este panorama ha llevado a un aumento en la búsqueda de atención médica preventiva, lo que ha resultado en una mayor demanda de exámenes de resonancia magnética cardíaca. La identificación de cardiomiopatías dentro de este volumen creciente de estudios representa un desafío significativo para los equipos médicos. Con el objetivo de apoyar este proceso, este trabajo propone una metodología basada en aprendizaje automático supervisado para el reconocimiento de cardiomiopatías. El método considera diferentes cortes del órgano y las especificidades del ciclo cardíaco, abordando las limitaciones de enfoques anteriores. Durante los experimentos, se obtuvo una precisión del 80,00% y una exactitud del 82,26% en el mejor caso de prueba, el cual considera las estructuras del epicardio y el endocardio durante la fase diastólica del ciclo cardíaco. Los resultados demuestran el potencial del enfoque propuesto para apoyar el diagnóstico médico, especialmente en contextos con alta demanda de exámenes.
Descargas
Citas
World Health Organization (WOS). Cardiovascular diseases. [Internet]. 2021. [citado 2025 ago 13] Disponível em: https://www.who.int/news-room/fact-sheets/detail/cardiovascular-diseases-(cvds)
Hanna TN, Zygmont ME, Peterson R, Theriot D, Shekhani H, Johnson JO, et al. The Effects of Fatigue From Overnight Shifts on Radiology Search Patterns and Diagnostic Performance. J Am Coll Radiol. 2018 Dec;15(12):1709-1716. doi: 10.1016/j.jacr.2017.12.019. Epub 2018 Feb 1. PMID: 29366599; PMCID: PMC6054573. DOI: https://doi.org/10.1016/j.jacr.2017.12.019
Simran V, Gupta A. Effective prediction of heart disease using data mining and machine learning: A review. In International Conference on Artificial Intelligence and Smart Systems (ICAIS); 2021. p. 249-253. DOI: https://doi.org/10.1109/ICAIS50930.2021.9395963
Bergamasco L. Recuperação de objetos médicos 3D utilizando harmônicos esféricos e redes de fluxo. Tese de Doutorado. São Paulo: Universidade de São Paulo (USP); 2018.
Ghosh P, Azam S, Jonkman M, Karim A, Shamrat F, Ignatious E, et al. Efficient Prediction of Cardiovascular Disease Using Machine Learning Algorithms With Relief and LASSO Feature Selection Techniques. 2021. IEEE Access, 9, 19304-19326. DOI: https://doi.org/10.1109/ACCESS.2021.3053759
Salvatore C, Cerasa A, Castiglioni I, Gallivanone F, Augimeri A, Lopez M, et al. Machine learning on brain MRI data for differential diagnosis of Parkinson's disease and Progressive Supranuclear Palsy. Journal of Neuroscience Methods. 2014; 222:230-237. DOI: https://doi.org/10.1016/j.jneumeth.2013.11.016
Moreno A, Rodriguez J, Martínez F. Regional Multiscale Motion Representation for Cardiac Disease Prediction. XXII Symposium on Image, Signal Processing and Artificial Vision (STSIVA) 2019 (pp. 1-5). DOI: https://doi.org/10.1109/STSIVA.2019.8730231
Zhuang J, Cai J, Wang R, Zhang J, Zheng WS. Deep kNN for Medical Image Classification. Medical Image Computing and Computer Assisted Intervention – MICCAI 2020. 2020;127–36. DOI: https://doi.org/10.1007/978-3-030-59710-8_13
Norvig, Russel P, Artificial S. Intelligence. A modern approach. Vol. 90. Prentice Hall, 2020.
Raza K. Improving the prediction accuracy of heart disease with ensemble learning and majority voting rule [Internet]. ScienceDirect. Academic Press; 2019. p. 179–96. [citado 2025 ago 13] Disponível em: https://www.sciencedirect.com/science/article/abs/pii/B9780128153703000086 DOI: https://doi.org/10.1016/B978-0-12-815370-3.00008-6
Miao K, Miao J, Miao G. Diagnosing Coronary Heart Disease using Ensemble Machine Learning. International Journal of Advanced Computer Science and Applications. 2016;7(10). DOI: https://doi.org/10.14569/IJACSA.2016.071004
Fries JA, Varma P, Chin-Hung Chen V, Xiao K, Tejeda H, Saha P, et al. Weakly supervised classification of aortic valve malformations using unlabeled cardiac MRI sequences. Nature Communications. 2019 Jul 15;10(1). DOI: https://doi.org/10.1038/s41467-019-11012-3
Qayyum A, Anwar SM, Awais M, Majid M. Medical image retrieval using deep convolutional neural network. Neurocomputing. 2017 Nov;266:8–20. DOI: https://doi.org/10.1016/j.neucom.2017.05.025
Nasimov R, Nasimova N, Botirjon K; ABDULLAYEV, Munis. Deep Learning Algorithm for Classifying Dilated Cardiomyopathy and Hypertrophic Cardiomyopathy in Transport Workers. Lecture Notes In Computer Science, [S.L.], p. 218-230, 2023. Springer Nature Switzerland. [citado 2025 ago 13] Disponível em: http://dx.doi.org/10.1007/978-3-031-30258-9_19. DOI: https://doi.org/10.1007/978-3-031-30258-9_19
Balaji GN, Subashini TS, Chidambaram N. Detection and diagnosis of dilated cardiomyopathy and hypertrophic cardiomyopathy using image processing techniques. Engineering Science And Technology, An International Journal, [S.L.], v. 19, n. 4, p. 1871-1880, dez. 2016. Elsevier BV. [citado 2025 ago 13] Disponível em: http://dx.doi.org/10.1016/j.jestch.2016.10.001. DOI: https://doi.org/10.1016/j.jestch.2016.10.001
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Guilherme Ormond Sampaio, Leon Ferreira Bellini, Leila Cristina Carneiro Bergamasco
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
