Este trabajo propone un sistema de diagnóstico del trastorno depresivo para el Centro de Salud Juan Pablo II debido a que los especialistas aplican como método de evaluación el cuestionario BDI-II (Inventario de Depresión de Beck) que limita el proceso de diagnóstico porque solo contempla la sumatoria de un puntaje como resultado final. Por lo tanto, para mejorar el método de evaluación se propone la construcción de un modelo de diagnóstico basado en redes neuronales y la adaptación del cuestionario BDI-II  recopilando ítems del cuestionario asociados a sus respectivos factores establecidos: emocional, cognitivo, físico y motivación siendo las variables de entrada de la primera capa, teniendo tres capas ocultas y finalmente se obtendrá una capa de salida con el diagnostico general y específico que detalle el resultado del paciente a fin de que el especialista realice un personalizado plan de tratamiento que se ajuste mejor a las necesidades del paciente.

Abstract

This work proposes a diagnostic system for depressive disorder for the Juan Pablo II Health Center where the specialists apply the BDI-II questionnaire (Beck's Depression Inventory) as evaluation method, which limits the diagnostic process because it only contemplates the sum of a score as a final result. Therefore, to improve the evaluation method, the construction of a diagnostic model based on neural networks and the adaptation of the BDI-II collecting questionnaire items associated with their respective established factors: emotional, cognitive, physical and motivation, being the input variables of the first layer, having three hidden layers and finally an output layer will be sought with the general and specific diagnosis that details the result of the patient so that the specialist can make a personalized treatment plan that better adjusts to the patient needs.

Keywords: neural networks; diagnosis; depressive disorder; factors.

 

En las últimas décadas, las imágenes fotoacústicas han demostrado su eficacia en el apoyo al diagnóstico de algunas enfermedades, así como en la investigación médica, ya que a través de ellas es posible obtener información del cuerpo humano con características específicas y profundidad de penetración, desde 1 cm hasta 6 cm dependiendo en gran medida del tejido estudiado, además de una buena resolución. Las imágenes fotoacústicas son comparativamente jóvenes y emergentes y prometen mediciones en tiempo real, con procedimientos no invasivos y libres de radiación.  Por otro lado, aplicar Deep Learning a imágenes fotoacústicas permite gestionar datos y transformarlos en información útil que genere conocimiento. Estas aplicaciones poseen ventajas únicas que facilitan la aplicación clínica. Se considera que con estas técnicas se pueden proporcionar diagnósticos médicos confiables. Es por eso que el objetivo de este artículo es proporcionar un panorama general de los casos donde se combina el Deep Learning con técnicas fotoacústicas.

Palabras clave: imagen fotoacústica; aprendizaje profundo; redes neuronales; aprendizaje automático.

Abstract

In recent decades, photoacoustic imaging has proven its effectiveness in supporting the diagnosis of some diseases as well as in medical research, since through it is possible to obtain information of the human body with specific characteristics and depth of penetration, from 1 cm to 6 cm depending largely on the tissue studied, in addition to a good resolution. Photoacoustic imaging is comparatively young and emerging and promises real-time measurements, with non-invasive and radiation-free procedures.  On the other hand, applying Deep Learning to photoacoustic images allows managing data and transforming them into useful information that generates knowledge. These applications have unique advantages that facilitate clinical application. It may be possible with these techniques to provide reliable medical diagnoses. That is why the aim of this article is to provide an overview of cases combining Deep Learning with photoacoustic techniques.

Keywords: photoacoustic imaging; deep learning; neural networks; machine learning.