Los radiólogos utilizan el aprendizaje profundo para encontrar signos de COVID-19 en las radiografías de tórax

Crédito: CC0 Public Domain

Los radiólogos de Johns Hopkins descubrieron que un algoritmo de aprendizaje profundo para detectar tuberculosis en las radiografías de tórax podría ser útil para identificar anormalidades pulmonares relacionadas con COVID-19. Estos hallazgos, publicados en línea en el Journal of Thoracic Imaging, sugieren que los sistemas de aprendizaje profundo podrían ayudar a los médicos a clasificar y tratar a estos pacientes de alto riesgo, así como ayudar a superar la escasez de imágenes de COVID-19 disponibles para el desarrollo del aprendizaje automático.

El estudio se basó en la observación de que las anomalías de la radiografía de tórax de la COVID-19 parecen muy similares a las de los pacientes con tuberculosis. Las radiografías de tórax se han propuesto como una herramienta potencialmente útil para evaluar a los pacientes con COVID-19, especialmente en departamentos de emergencia y centros de atención urgente abrumados, pero el equipo de investigación planteó la hipótesis de que un modelo de aprendizaje profundo ya entrenado para identificar la TB en las radiografías también funcionan bien para identificar signos del nuevo coronavirus.

«Encontramos una buena generalización de nuestro modelo de TB hacia COVID-19», dice el residente de radiología Paul Yi, codirector del Radiology AI Lab y facultad afiliada de el Centro Malone de Ingeniería en Salud. «Nuestro objetivo era demostrar la capacidad de un modelo de aprendizaje profundo que nunca había ‘visto’ un caso de COVID-19 para identificar estos casos. Debido a que COVID-19 es una infección nueva, actualmente no hay grandes conjuntos de datos disponibles para entrenar modelos de aprendizaje profundo. Presumimos que las imágenes de otras infecciones con apariencias similares a la COVID-19 podrían usarse para entrenar modelos capaces de identificar esta nueva enfermedad».

Yi, junto con los coautores Tae Kyung Kim, estudiante de medicina en la Escuela de Medicina Johns Hopkins, y Cheng Ting Lin, director de Radiología Torácica en el Departamento de Radiología y Ciencias Radiológicas de la escuela, recolectaron 88 radiografías frontales de tórax disponibles públicamente de pacientes con diagnósticos confirmados de COVID-19. De los 88, el modelo clasificó correctamente a 78 de ellos como «positivos» para COVID-19, con una tasa de éxito del 89 %.

Si bien estos resultados son alentadores, el equipo reconoce las limitaciones de su estudio. Por ejemplo, aunque el modelo puede identificar radiografías positivas para COVID-19, es posible que no pueda distinguirlas de otras enfermedades que causan anomalías pulmonares similares.

Aún así, se justifica una mayor investigación en esta área. mientras continúa la pandemia. «Estos resultados son una prueba de concepto para un posible nuevo método de detección de COVID-19 en entornos clínicos», agrega Yi. «Los modelos de aprendizaje profundo podrían facilitar una clasificación más rápida en los departamentos de emergencia, la interpretación en el punto de atención para los que no son radiólogos en la primera línea y la posible reducción de la carga de trabajo para los radiólogos».

Explore más

Modelo de inteligencia artificial puede detectar COVID-19 en TC de tórax Más información: Paul H. Yi et al. Generalizabilidad del clasificador de tuberculosis de aprendizaje profundo a radiografías de tórax COVID-19, Journal of Thoracic Imaging (2020). DOI: 10.1097/RTI.0000000000000532 Proporcionado por la Universidad Johns Hopkins Cita: Los radiólogos utilizan el aprendizaje profundo para encontrar signos de COVID-19 en las radiografías de tórax (2 de junio de 2020) consultado el 31 de agosto de 2022 de https: //medicalxpress.com/news/2020-06-radiologists-deep-covid-chest-x-rays.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.