Philip Chikontwe (izquierda) y el profesor Sang Hyun Park del Instituto de Ciencia y Tecnología Daegu Gyeongbuk (DGIST), Corea del Sur, han desarrollado un nuevo marco para y análisis automatizado interpretable de tomografías computarizadas de tórax. Crédito: Instituto de Ciencia y Tecnología de Daegu Gyeongbuk
El estándar de oro actual para el diagnóstico de COVID-19 es un hisopo nasal seguido de una reacción en cadena de la polimerasa con transcriptasa inversa. Pero tales pruebas consumen mucho tiempo y requieren días antes de que los resultados estén disponibles. Esto desperdicia tiempo crucial en el tratamiento y prevención de la enfermedad. Recientemente, científicos de Corea han desarrollado un marco computarizado que puede interpretar de forma rápida y precisa las tomografías computarizadas de tórax para proporcionar un diagnóstico de COVID-19 en minutos, lo que podría cambiar la forma en que abordamos esta enfermedad.
En poco más de 18 meses, el nuevo coronavirus (SARS-CoV-2) ha infectado a más de 18 millones de personas y causado más de 690 000 muertes. El estándar actual para el diagnóstico a través de la reacción en cadena de la polimerasa con transcriptasa inversa está limitado debido a su baja sensibilidad, alta tasa de falsos positivos y largos tiempos de prueba. Esto hace que sea difícil identificar rápidamente a los pacientes infectados y brindarles tratamiento. Además, existe el riesgo de que los pacientes aún propaguen la enfermedad mientras esperan los resultados de su prueba de diagnóstico.
Las tomografías computarizadas de tórax han surgido como una forma rápida y efectiva de diagnosticar la enfermedad, pero requieren que el radiólogo experiencia para interpretar y, a veces, las exploraciones se parecen a otros tipos de infecciones pulmonares, como la neumonía bacteriana. Ahora, un nuevo artículo en Análisis de imágenes médicas realizado por un equipo de científicos, incluidos los del Instituto de Ciencias Daegu Gyeongbuk (DGIST), Corea del Sur, detalla una técnica para la interpretación automatizada y precisa de tomografías computarizadas de tórax. «Como académicos igualmente afectados por la pandemia de COVID, estábamos ansiosos por utilizar nuestra experiencia en análisis de imágenes médicas para ayudar a un diagnóstico más rápido y mejorar los flujos de trabajo clínicos», dice el profesor Sang Hyun Park y Philip Chikontwe de DGIST, quienes dirigieron el estudio. .
Para construir su marco de diagnóstico, el equipo de investigación utilizó una técnica de aprendizaje automático llamada «aprendizaje de múltiples instancias» (MIL). En MIL, el algoritmo de aprendizaje automático se «entrena» usando conjuntos o «bolsas» de múltiples ejemplos llamados «instancias». El algoritmo MIL luego usa estas bolsas para aprender a etiquetar ejemplos o entradas individuales. El equipo de investigación entrenó su nuevo marco, llamado MIL basado en contraste de atención dual (DA-CMIL), para diferenciar entre COVID y neumonía bacteriana, y descubrió que su rendimiento estaba a la par de otros métodos de análisis de imágenes automatizados de última generación. Además, el algoritmo DA-CMIL puede aprovechar información limitada o incompleta para entrenar eficientemente su sistema de IA.
«Nuestro estudio puede verse desde una perspectiva tanto técnica como clínica. Primero, los algoritmos presentados aquí pueden ampliarse a configuraciones similares con otros tipos de imágenes médicas. En segundo lugar, la ‘atención dual’, particularmente la ‘atención espacial’, utilizada en el modelo mejora la interpretabilidad del algoritmo, lo que ayudará a los médicos a comprender cómo las soluciones automatizadas toman decisiones», explica el Prof. . Park y el Sr. Chikontwe.
Esta investigación se extiende mucho más allá de la pandemia de COVID, sentando las bases para el desarrollo de sistemas de diagnóstico más robustos y económicos, que serán de particular beneficio para los países subdesarrollados o subdesarrollados. con recursos médicos y humanos limitados.
Explore más
La TC proporciona el mejor diagnóstico para COVID-19 Más información: Philip Chikontwe et al, aprendizaje de múltiples instancias de atención dual con pérdida complementaria no supervisada para la detección de COVID-19, análisis de imágenes médicas (2021). DOI: 10.1016/j.media.2021.102105 Proporcionado por el Instituto de Ciencia y Tecnología de Daegu Gyeongbuk. 2022 de https://medicalxpress.com/news/2021-10-worth-thousand-words-automated-diagnosis.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.