Red neuronal de aprendizaje profundo detecta rápidamente infecciones por COVID-19 mediante imágenes de rayos X

Una red neuronal de aprendizaje profundo puede detectar rápidamente infecciones por COVID-19 mediante imágenes de rayos X.

La red neuronal de aprendizaje profundo llamada CORONA-Net fue desarrollada por científicos de la Universidad de la Columbia Británica (Kelowna, BC Canadá) para ayudar a los médicos que no tienen acceso a las pruebas de reacción en cadena de la polimerasa (PCR) y necesitan una forma de detectar rápidamente a los pacientes con COVID-19. A medida que la COVID-19 sigue apareciendo en los titulares de todo el mundo, las personas se han acostumbrado a la idea de realizar pruebas rápidas para determinar si han sido infectadas. La prueba viral solo indica si existe una infección actual, pero no si hubo una infección previa. La prueba de anticuerpos alternativa utiliza una muestra de sangre y puede detectar si hubo una infección previa con el virus SARS-CoV-2, incluso si no hay síntomas actuales. Sin embargo, la prueba de PCR puede ser poco común en muchos países y generalmente cuesta varios cientos de dólares cada vez. Los médicos de todo el mundo necesitan una forma de evaluar rápidamente a los pacientes para detectar la COVID-19 para que puedan comenzar el tratamiento inmediato para los pacientes con el virus

Los investigadores de UBC Okanagan, que dicen que las pruebas rápidas pueden ser limitadas y costosas en muchos países, están probando otro método de prueba. Y creen, gracias a la inteligencia artificial, que han encontrado uno. El equipo de investigación ha desarrollado CORONA-Net, una red neuronal de aprendizaje profundo que puede detectar rápidamente infecciones por COVID-19 mediante imágenes de rayos X. En muchos países, las personas optan por la radiografía de tórax debido al costo de una prueba de PCR o su falta de disponibilidad. Sin embargo, a veces es difícil que un especialista examine la radiografía y la detección precisa de la infección puede llevar tiempo. Pero al utilizar CORONA-NET, el sistema de inteligencia artificial puede marcar los casos sospechosos para que se realice un seguimiento rápido y se examinen rápidamente.

La arquitectura CORONA-Net desarrollada aumenta sustancialmente la sensibilidad y el valor predictivo positivo (VPP) de las predicciones, lo que convierte a CORONA-Net en una herramienta valiosa cuando se trata de utilizar radiografías de tórax para diagnosticar la COVID-19. Según los investigadores, el CORONA-Net desarrollado pudo producir resultados con una precisión de más del 95% en la clasificación de casos de COVID-19 a partir de imágenes digitales de rayos X de tórax. La precisión de la detección de COVID-19 por CORONA-Net seguirá aumentando a medida que crezca el conjunto de datos. CORONA-Net puede mejorarse automáticamente con el tiempo y autoaprenderse para ser más preciso.

“La COVID-19 generalmente causa neumonía en los pulmones humanos, que se puede detectar en imágenes de rayos X. Estos conjuntos de datos de rayos X, de personas con neumonía causada por COVID-19, de personas con neumonía causada por otras enfermedades, así como radiografías de personas sanas, permiten la posibilidad de crear redes de aprendizaje profundo que pueden diferenciar entre imágenes de personas con COVID-19 y personas que no tienen la enfermedad”, dijo el estudiante graduado Sherif Elbishlawi, quien ayudó a desarrollar CORONA-Net.

“Los resultados del conjunto de pruebas se obtuvieron y se pueden ver con una sensibilidad del 100% a la clase COVID-19. Había una sensibilidad del 95% en la clasificación de la clase de neumonía y una sensibilidad del 95% en la clasificación de la clase normal”, agregó. "Estos resultados muestran que CORONA-Net ofrece una predicción muy precisa con la mayor sensibilidad a la clase COVID-19".

Enlaces relacionados:
Universidad de la Columbia Británica

Visitar la expo >

Miembro Oro

12-Channel ECG

CM1200B

Miembro Oro

Analizador de gases en sangre POC

Stat Profile Prime Plus

New

Vital Signs Monitor

iM3s

New

Suction Electrode System

Strässle