Uso de redes neuronales convolucionales para analizar imágenes médicas

Crédito: Pixabay/CC0 Dominio público

COVID-19 sigue siendo un desafío importante en todo el mundo. La investigación en el International Journal of Computational Biology and Drug Design analiza cómo las imágenes de rayos X y las tomografías computarizadas (TC) pueden revelar mucho sobre los efectos de la enfermedad en los pulmones de un paciente. Sin embargo, el uso de redes neuronales convolucionales (CNN) ahora se puede utilizar para mejorar la detección de la enfermedad.

Las pruebas estándar para COVID-19 con las que el público en general se ha familiarizado bastante durante los últimos dos años, las llamadas pruebas de antígeno de flujo lateral (LFT) y las pruebas de reacción en cadena de la polimerasa con transcriptasa inversa (PCR), tienen muchas ventajas y desventajas. El sistema LFT se convirtió rápidamente en una prueba portátil, similar a un kit de prueba de embarazo.

Las LFT se han puesto a disposición del público en muchas partes del mundo y se pueden realizar en casa de forma rápida y sencilla. fácilmente. Permiten que cualquier persona determine si es infeccioso o no, independientemente de si tiene o no síntomas de COVID-19. Si bien los LFT son fáciles de usar, pueden ser propensos a falsos negativos dependiendo de qué tan bien se lleve a cabo la preparación y muy raramente pueden dar un falso positivo. Las pruebas PCR, en cambio, siempre se realizan en un laboratorio por profesionales capacitados. La PCR es más confiable que la LFT, aunque también puede presentar problemas cuando una persona no capacitada realiza la adquisición de muestras. Sin embargo, se sabe que las pruebas de PCR dan una buena proporción de falsos positivos, que no se ven comúnmente con las LFT.

De cualquier manera, es fundamental que los profesionales de la salud que tratan a pacientes con sospecha de COVID-19 tengan un diagnóstico definitivo de la enfermedad en lugar de depender de pruebas que tienen márgenes de error bastante amplios. Las imágenes de rayos X y las tomografías computarizadas podrían ofrecer un diagnóstico tan definitivo en el contexto clínico identificando la presencia de infiltrados parcheados u opacidades que están asociadas con la neumonía causada por el virus. Un enfoque automatizado para analizar tales imágenes podría acelerar el proceso de diagnóstico y evitar falsos positivos y negativos con estos diagnósticos.

Explore más

Las pruebas de flujo lateral detectan a la mayoría de las personas en riesgo de transmitir COVID-19 Más información: Kewal Mehta et al, Detección del virus COVID-19 usando aprendizaje profundo, International Journal of Biología Computacional y Diseño de Fármacos (2022). DOI: 10.1504/IJCBDD.2021.121619 Proporcionado por Inderscience Cita: Uso de redes neuronales convolucionales para analizar imágenes médicas (23 de marzo de 2022) consultado el 29 de agosto de 2022 en https://medicalxpress.com/news/2022- 03-convolutional-neural-networks-medical-imaging.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.