El 2020 marcó un antes y un después en la historia moderna. La pandemia por COVID-19 no solo puso a prueba los sistemas de salud del mundo, sino que también reveló profundas debilidades estructurales, donde la falta de preparación y de infraestructura, como la limitada disponibilidad de camas UCI, amplificó los efectos de la crisis sanitaria.

En medio de este panorama incierto, la ciencia y la tecnología emergieron como pilares fundamentales para enfrentar los retos médicos y sociales del momento. La inteligencia artificial, en particular, abrió nuevas posibilidades para la detección temprana y eficiente de la enfermedad. Este libro nace del compromiso de aportar al desarrollo de herramientas diagnósticas avanzadas y propone un enfoque innovador basado en modelos de Deep Learning con Redes Neuronales Convolucionales, aplicadas al análisis de tomografías computarizadas de tórax.

Utilizando una base de datos de más de 15,000 imágenes provenientes de la plataforma Kaggle, se compararon modelos de arquitectura AlexNet y GoogLeNet, evaluando su rendimiento en la detección de COVID-19. El resultado fue contundente: el modelo GoogLeNet se posicionó como el más eficaz, alcanzando un valor de área bajo la curva ROC de 0.97, lo que lo convierte en una herramienta altamente confiable para el diagnóstico asistido por computadora.

Esta obra no solo pretende ser una guía técnica sobre la implementación de modelos de Deep Learning en contextos médicos, sino también una muestra de cómo el conocimiento puede salvar vidas cuando se pone al servicio de la humanidad. Con rigor académico y compromiso social, este libro invita a investigadores, profesionales de la salud, ingenieros de datos y lectores interesados a explorar el potencial de la inteligencia artificial en la lucha contra futuras crisis sanitarias.