Algoritmo de aprendizaje automático entrenado en imágenes de artículos corrientes detecta la COVID-19 en las radiografías de tórax con una exactitud del 99%

Una nueva investigación que utiliza el aprendizaje automático en imágenes de artículos cotidianos ha mejorado la exactitud y la velocidad de detección de enfermedades respiratorias, reduciendo la necesidad de conocimientos médicos especializados.

En un estudio realizado por investigadores de la Universidad Edith Cowan (Perth, Australia), los resultados de esta técnica, conocida como aprendizaje por transferencia, lograron una tasa de éxito del 99,24% para detectar la COVID-19 en las radiografías de tórax. El estudio aborda uno de los mayores desafíos en el aprendizaje automático de reconocimiento de imágenes: algoritmos que necesitan grandes cantidades de datos, en este caso imágenes, para poder reconocer ciertos atributos con exactitud.


Según los investigadores, esto fue increíblemente útil para identificar y diagnosticar afecciones médicas emergentes o poco comunes. La clave para reducir significativamente el tiempo necesario para adaptar el enfoque a otros problemas médicos fue entrenar previamente el algoritmo con la gran base de datos ImageNet. Los investigadores esperan que la técnica se pueda refinar aún más en investigaciones futuras para aumentar la exactitud y reducir aún más el tiempo de entrenamiento.

“Nuestra técnica tiene la capacidad no solo para detectar la COVID-19 en las radiografías de tórax, sino también otras enfermedades del tórax como la neumonía. La hemos probado en 10 enfermedades diferentes del tórax, logrando resultados muy exactos”, dijo el investigador de la Facultad de Ciencias de la ECU, el Dr. Shams Islam. “Normalmente, es difícil para los métodos basados en IA realizar la detección de enfermedades del tórax con exactitud porque los modelos de IA necesitan una gran cantidad de datos de entrenamiento para comprender las firmas características de las enfermedades. Los datos deben ser anotados cuidadosamente por expertos médicos, este no es solo un proceso engorroso, sino que también implica un costo significativo. Nuestro método evita este requisito y aprende modelos exactos con una cantidad muy limitada de datos anotados. Si bien es poco probable que esta técnica reemplace las pruebas rápidas de COVID-19 que usamos ahora, existen importantes implicaciones para el uso del reconocimiento de imágenes en otros diagnósticos médicos”.

Enlace relacionado:
Universidad Edith Cowan