Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 1
PORTADA
(Elaborada por la revista)
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 317
Diagnóstico Asistido por Computadora de Neumonía Infantil
Utilizando Redes Neuronales y Máquinas de Soporte Vectorial
Computer Assisted Diagnosis of Childhood Pneumonia Using Neural Networks
and Support Vector Machines
Samuel David Hernández Chiquillo
shernandezc21@campusuninunez.edu.co
https://orcid.org/0009-0008-6930-6661
Corporación Universitaria Rafael Núñez
Cartagena – Colombia
Ernesto Isaac Tlapanco Ríos
ei.tlapanco@ugto.mx
https://orcid.org/0000-0002-4314-5926
Universidad de Guanajuato
Guanajuato – México
Jorge Manuel Barrios Sánchez
Jorge.barrios@campusuninunez.edu.co
https://orcid.org/0000-0003-3528-0922
Universidad de Guanajuato - Corporación Universitaria Rafael Núñez
Cartagena – Colombia
Jorge Enrique Pino Jimenez
jorge.pino@campusuninunez.edu.co
https://orcid.org/0009-0006-2359-9505
Corporación Universitaria Rafael Núñez
Cartagena – Colombia
Artículo recibido: 15/11/2025
Aceptado para publicación: 18/12/2025
Conflictos de Intereses: Ninguno que declarar
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 318
RESUMEN
El presente trabajo de investigación se enfoca en el desarrollo de clasificadores para el
diagnóstico de neumonía infantil a través de imágenes de rayos X. La base de datos utilizada
contiene imágenes de rayos X de tórax (anteroposterior) de cohortes retrospectivas de pacientes
pediátricos. Por medio de un programa en Matlab, se extraen 10 características clave de cada
imagen para determinar si el paciente presenta neumonía o si el diagnóstico es normal. Se
implementan y comparan dos clasificadores: Red Neuronal Multicapa (MLP) y Maquinas de
Vectores de Soporte (SVM). Los modelos lograron eficiencias del 95.03 % y 95.80 %
respectivamente, demostrando su alta efectividad para esta aplicación.
Palabras clave: clasificador, neumonía, redes neuronales, SVM, diagnostico asistido
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 319
ABSTRACT
This research focuses on the development of classifiers for the diagnosis of childhood
pneumonia through X-ray images. The database used contains chest X-ray images
(anteroposterior) from retrospective cohorts of pediatric patients. Using a MATLAB program,
10 key features are extracted from each image to determine whether the patient has pneumonia
or whether the diagnosis is normal. Two classifiers are implemented and compared: Multilayer
Perceptron (MLP) and Support Vector Machines (SVM). The models achieved efficiencies of
95.03% and 95.80% respectively, demonstrating their high effectiveness for this application.
Keywords: classifier, pneumonia, neural networks, SVM, assisted diagnosis
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 320
INTRODUCCIÓN
La neumonía es una infección aguda del parénquima pulmonar que puede ocasionar desde una
inflamación hasta acumulación de líquido en los pulmones. Su etiología puede ser por la
infección de virus, bacterias u hongos [1]. Afecta a pacientes no hospitalizados y
hospitalizados, y representa más del 15 % de todas las muertes de niños menores de 5 años a
nivel mundial [2]. Según la Organización Mundial de la Salud, la neumonía es responsable de
aproximadamente 800,000 muertes anuales en niños, siendo una de las principales causas de
mortalidad infantil en países en desarrollo [3]. En Estados Unidos representa más de 500,000
visitas a los departamentos de emergencia y más de 50,000 muertes según datos del 2015, lo
que mantiene la dolencia en la lista de las 10 principales causas de muertes en el mundo [4].
La carga económica asociada con el tratamiento de la neumonía es significativa, con costos
hospitalarios que superan los $10 billones anuales solo en Estados Unidos [5]. El diagnóstico
preciso y temprano de la neumonía es crucial para un tratamiento efectivo. Tradicionalmente,
el diagnóstico se basa en la evaluación clínica y la interpretación de radiografías de tórax por
radiólogos expertos [6]. Sin embargo, en muchas regiones con recursos limitados, el acceso a
radiólogos especializados es escaso, lo que retrasa el diagnóstico y tratamientos adecuados [1].
La tecnología ha logrado un significativo aporte para combatir enfermedades donde la
Inteligencia Artificial (IA) es protagonista, planteando la combinación de algoritmos con el
propósito de crear máquinas que presenten capacidades de apoyo al diagnóstico médico [7].
En los ´últimos años, el aprendizaje automático ha demostrado un potencial considerable en el
análisis de imágenes médicas, incluyendo la detección de neumonía en radiografías de tórax
[8, 9]. Varios estudios han explorado el uso de técnicas de aprendizaje automático para la
clasificación de neumonía. Kermany et al. [10] utilizaron redes neuronales convolucionales
(CNN) para clasificar imágenes de neumonía, logrando altas precisiones. Similarly, Rajpurkar
et al. [11] desarrollaron CheXNet, una CNN de 121 capas que superó a los radiólogos en la
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 321
detección de neumonía. Sin embargo, estos enfoques basados en deep learning requieren
grandes conjuntos de datos y potencia computacional significativa [12]. Como alternativa, los
métodos tradicionales de aprendizaje automático que utilizan características extraídas
manualmente ofrecen ventajas en términos de eficiencia computacional e interpretabilidad
[13]. Las Máquinas de Vectores de Soporte (SVM) han demostrado excelente rendimiento en
problemas de clasificación médica [14], mientras que las Redes Neuronales Multicapa (MLP)
han sido ampliamente utilizadas en diagnóstico médico debido a su capacidad para modelar
relaciones no lineales complejas [15]. El objetivo principal de este artículo es desarrollar y
comparar modelos de predicción basados en MLP y SVM para ayudar a los especialistas del
área de la salud en el diagnóstico de la neumonía. Estos clasificadores permitirán analizar
características extraídas de imágenes radiológicas para determinar con alta precisión si un
paciente pediátrico tiene o no neumonía. La contribución de este trabajo radica en la evaluación
comparativa de estos dos enfoques utilizando un conjunto de características cuidadosamente
seleccionadas, proporcionando así una guía para la selección de métodos en entornos clínicos
con diferentes El artículo comienza con una introducción, donde se presenta el problema de
investigación y las estrategias usadas en el estudio. No se requiere un encabezado específico
para la introducción.
METODOLOGÍA
La metodología seguida en este trabajo se ilustra en la Figura 1 y se describe a continuación:
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 322
Figura 1. Diagrama de flujo de la metodología.
Fuente: Elaboración propia.
Base de datos.
El caso de estudio para esta investigación parte de una base de datos de imágenes de rayos X
de tórax (anteroposterior) de cohortes retrospectivas de pacientes pediátricos de 1 a 5 años. El
conjunto de datos incluye 5,856 imágenes con diagnóstico confirmado de neumonía y 1,583
imágenes normales, obtenidas de archivos hospitalarios entre 2015 y 2020. Todas las imagines
fueron preprocesadas para normalizar el tamaño (224x224 píxeles) y el contraste. El conjunto
de datos fue dividido aleatoriamente en conjuntos de entrenamiento (70 %), validación (15 %)
y prueba (15 %), manteniendo la proporción de clases en cada partición para evitar sesgos [13].
Extracción de características.
Se extrajeron 10 características de cada imagen mediante un programa desarrollado en
MATLAB, seleccionadas por su relevancia en la discriminación de texturas pulmonares
asociadas con neumonía [16, 17]:
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 323
• Media (mean2): Valor promedio de intensidad de los píxeles
• Desviación estándar (std2): Dispersión de los valores de intensidad
• Entropía (entropy): Medida de aleatoriedad en la textura de la imagen
• Valor RMS (rms): Raíz cuadrada del promedio de los cuadrados de los valores de
intensidad
• Varianza (var): Medida de la dispersión de los valores de intensidad
• Energía (graycoprops): Suma de los cuadrados de los valores en la matriz de
coocurrencia
• Contraste (graycoprops): Medida de la diferencia de intensidad entre un píxel y sus
vecinos
• Homogeneidad (graycoprops): Medida de la uniformidad de la textura
• Kurtosis (kurtosis): Medida del “pico” de la distribución de intensidades
• Asimetría (skewness): Medida de la asimetría de la distribución de intensidades
Estas características capturan propiedades estadísticas y texturales relevantes para distinguir
entre tejido pulmonar sano y afectado por neumonía [18].
Clasificadores implementados
Red Neuronal Multicapa (MLP):
Se implemento una red neuronal feed-forward con una capa oculta de 12 neuronas, determinada
mediante experimentación con diferentes arquitecturas. La función de activación utilizada fue
tangente sigmoide en la capa oculta y softmax en la capa de salida. Se empleo el algoritmo de
entrenamiento
Levenberg-Marquardt (trainlm) por su rápida convergencia [19], con función de desempeño de
entropía cruzada para problemas de clasificación binaria. El entrenamiento se detuvo cuando
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 324
la validación dejó de mejorar por 6 ´épocas consecutivas (early stopping) para prevenir
sobreajuste.
Máquina de Vectores de Soporte (SVM).
Se implemento un clasificador SVM con kernel RBF (Radial Basis Function), seleccionado
por su capacidad para manejar problemas no linealmente separables [20]. Las características
fueron estandarizadas (media=0, desviación estándar=1) antes del entrenamiento. Los
parámetros de regularización (C) y ancho del kernel () se optimizaron mediante validación
cruzada de 5 folds, explorando un rango de C = [0.1, 1, 10, 100] y = [0.001, 0.01, 0.1, 1].
RESULTADOS
Resultados del clasificador MLP.
El modelo MLP alcanzó una exactitud del 95.03% en el conjunto de prueba, demostrando
excelente capacidad para distinguir entre casos de neumonía y normales. La matriz de
confusión y métricas detalladas se presentan en la Tabla 1 y Figuras 1-2.
Tabla 1. Métricas del clasificador MLP.
Fuente: Elaboración propia.
El alto recall para la clase PNEUMON´IA (97.26 %) indica que el modelo es muy efectivo para
identificar
casos positivos, minimizando falsos negativos, lo que es crucial en aplicaciones médicas donde
los falsos negativos pueden tener consecuencias graves [13].
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 325
Resultados del clasificador MLP.
El modelo SVM demostró un rendimiento ligeramente superior con una exactitud del 95.80 %
en el conjunto de prueba. Los resultados detallados se muestran en la Tabla 2.
Tabla 2. Métricas del clasificador SVM.
Fuente: Elaboración propia.
La alta precisión para la clase PNEUMON´IA (98.29 %) sugiere que cuando el SVM clasifica
un caso como positivo, es muy probable que sea correcto, reduciendo así los falsos positivos
[14].
Análisis Comparativo.
Tabla 3. Comparativa MLP vs SVM.
Fuente: Elaboración propia.
El análisis comparativo revela que ambos clasificadores tienen fortalezas distintas. El MLP
presenta mejor sensibilidad para detectar neumonía (recall más alto), mientras que el SVM
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 326
ofrece mayor precisión en los diagnósticos positivos. Ambos modelos alcanzaron un AUC de
0.9843, indicando excelente capacidad discriminativa [21].
DISCUSIÓN
Los resultados obtenidos demuestran que ambos clasificadores son altamente efectivos para el
diagnóstico de neumonía infantil a través de imagines de rayos X, superando el 95 % de
exactitud. Estos resultados son consistentes con estudios previos que han aplicado aprendizaje
automático en diagnóstico médico [7, 10].
El clasificador SVM mostró un rendimiento ligeramente superior en términos de exactitud
general (95.80 % vs 95.03 %), mientras que el MLP presento mejor recall para la clase
PNEUMON´IA (97.26 % vs 96.15 %). Esta diferencia en el perfil de rendimiento puede
atribuirse a las características fundamentales de cada algoritmo: las SVM buscan maximizar el
margen entre clases [20], mientras que las MLP minimizan el error de clasificación mediante
ajuste iterativo de pesos [15].
La elección entre ambos métodos dependerá de los objetivos clínicos específicos. Si se prioriza
minimizar falsos negativos en neumonía (maximizar sensibilidad), el MLP sería preferible
debido a su mayor recall. Esto es particularmente importante en entornos donde el costo de no
tratar una neumonía es alto [1]. Por otro lado, si se busca maximizar la certeza en diagnósticos
positivos (maximizar precisión), el SVM resulta más adecuado dada su mayor precisión, lo que
puede ser preferible en contextos con recursos limitados para evitar tratamientos innecesarios
[13]. Ambos modelos alcanzaron un AUC de 0.9843, indicando una excelente capacidad
discriminatoria entre clases y superando el umbral de 0.9 considerado como excelente en
aplicaciones médicas [21]. Las curvas ROC casi idénticas sugieren que ambos métodos son
comparables en términos de compromiso entre sensibilidad y especificidad.
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 327
ILUSTRACIONES, TABLAS, FIGURAS.
Figura 2. Matriz de confusión – MLP (Accuracy 95.03%).
Fuente: Elaboración propia.
Figura 3. Matriz de confusión – SVM (Accuracy 95.80%).
Fuente: Elaboración propia.
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 328
Figura 4. Curva ROC - MLP.
Fuente: Elaboración propia.
Figura 5. Curva ROC – SVM (AUC = 0.9843).
Fuente: Elaboración propia.
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 329
CONCLUSIÓN
Este estudio demuestra la alta efectividad de clasificadores basados en MLP y SVM para el
diagnóstico de neumonía infantil a través de imágenes de rayos X. Utilizando 10 características
extraídas de las imágenes, ambos modelos lograron eficiencias superiores al 95 %, validando
su aplicación como herramientas robustas y precisas para el diagnóstico asistido por
computador. El rendimiento obtenido, especialmente con el clasificador SVM que alcanzó
95.80 % de exactitud, subraya el potencial de los modelos de inteligencia artificial en el campo
de la medicina. El estudio proporciona herramientas prácticas para ayudar a los especialistas a
realizar clasificaciones acertadas, mejorando la eficiencia en el diagnóstico. Las limitaciones
de este trabajo incluyen el uso de un conjunto de datos específico de población pediátrica y la
extracción de características limitadas. Para trabajos futuros, se recomienda explorar el uso de
características más avanzadas y arquitecturas de deep learning, así como la validación en
conjuntos de datos más grandes y diversos que incluyan diferentes grupos de edad y variaciones
en la calidad de las imágenes.
REFERENCIAS
Beletew, B., Bimerew, M., Mengesha, A., Wudu, M., & Azmeraw, M. (2020). Prevalence of
pneumonia and its associated factors among under-five children in East Africa: a
systematic review and meta-analysis. BMC pediatrics, 20(1), 254.
Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
Çallı, E., Sogancioglu, E., Van Ginneken, B., van Leeuwen, K. G., & Murphy, K. (2021). Deep
learning for chest X-ray analysis: A survey. Medical image analysis, 72, 102125.
Chen, H., Ni, D., Qin, J., et al. (2017). Computer-aided diagnosis with deep learning
architecture: applications to breast lesions in US images and pulmonary nodules in CT
scans. Scientific Reports, 6, 24454.
Cortes, C., & Vapnik, V. (1995). Support-vector networks. Machine Learning, 20, 273-297.
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 330
Esteva, A., Kuprel, B., Novoa, R. A., et al. (2017). Dermatologist-level classification of skin
cancer with deep neural networks. Nature, 542, 115-118.
Esteva, A., Robicquet, A., Ramsundar, B., et al. (2019). A guide to deep learning in healthcare.
Nature Medicine, 25, 24-29.
Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27, 861-874.
Franquet, T. (2018). Imaging of community-acquired pneumonia. Journal of Thoracic Imaging,
33, 282-294.
Hagan, M. T., & Menhaj, M. B. (1994). Training feedforward networks with the Marquardt
algorithm. IEEE Transactions on Neural Networks, 5, 989-993.
Haralick, R. M., Shanmugam, K., & Dinstein, I. (1973). Textural features for image
classification. IEEE Transactions on Systems, Man, and Cybernetics, 3, 610-621.
Heron, M. (2019). Deaths: Leading causes for 2017. National Vital Statistics Reports, 68(6).
Kermany, D. S., Goldbaum, M., Cai, W., et al. (2018). Identifying medical diagnoses and
treatable diseases by image-based deep learning. Cell, 172, 1122-1131.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521, 436-444.
Litjens, G., Kooi, T., Bejnordi, B. E., et al. (2017). A survey on deep learning in medical image
analysis. Medical Image Analysis, 42, 60-88.
Noble, W. S. (2006). What is a support vector machine? Nature Biotechnology, 24, 1565-1567.
Rajpurkar, P., Irvin, J., Zhu, K., Yang, B., Mehta, H., Duan, T., ... & Ng, A. Y. (2017). Chexnet:
Radiologist-level pneumonia detection on chest x-rays with deep learning. arXiv preprint
arXiv:1711.05225.
Roth, G. A., Abate, D., Abate, K. H., et al. (2018). Global, regional, and national age-sex-
specific mortality for 282 causes of death in 195 countries and territories, 1980-2017: a
systematic analysis for the Global Burden of Disease Study 2017. The Lancet, 392, 1736-
1788.
Prisma ODS Revista Científica Multidisciplinar
Volumen 4, Número 2 - Año 2025
Página | 331
Rudan, I., Boschi-Pinto, C., Biloglav, Z., Mulholland, K., & Campbell, H. (2008).
Epidemiology and etiology of childhood pneumonia. Bulletin of the World Health
Organization, 86, 408-416.
Sánchez, J. M. B., Villagómez, J. L., Moreno, A. L., & Jiménez, L. M. (2024). The
Development of a Classifier Based on Neural Networks and K-Neighbors for Pediatric
Pneumonia Diagnosis through X-Ray Images.
Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep
learning. Journal of Big Data, 6(1), 60.
Tang, X. (2010). Texture information in run-length matrices. IEEE Transactions on Image
Processing, 7, 1602-1609.
Vaswani, A., Shazeer, N., Parmar, N., et al. (2017). Attention is all you need. Advances in
Neural Information Processing Systems, 30, 5998-6008.
Watkins, K., & Sridhar, D. (2018). Pneumonia: a global cause without champions. The
Lancet, 392(10149), 718-719.
© Los autores. Este artículo se publica en Prisma ODS bajo la Licencia Creative Commons Atribución 4.0
Internacional (CC BY 4.0). Esto permite el uso, distribución y reproducción en cualquier medio, incluidos fines
comerciales, siempre que se otorgue la atribución adecuada a los autores y a la fuente original.
: https://doi.org/10.65011/prismaods.v4.i2.101
Cómo citar este artículo (APA 7ª edición):
Hernández Chiquillo, S. D. ., Tlapanco Ríos, E. I. ., Barrios Sánchez, J. M. ., & Pino Jimenez,
J. E. . (2025). Diagnóstico Asistido por Computadora de Neumonía Infantil Utilizando Redes
Neuronales y Máquinas de Soporte Vectorial. Prisma ODS: Revista Multidisciplinaria Sobre
Desarrollo Sostenible, 4(2), 317-331. https://doi.org/10.65011/prismaods.v4.i2.101
