Identificación de patrones COVID-19 post-agudos en tomografía utilizando inteligencia artificial
DOI:
https://doi.org/10.59681/2175-4411.v16.iEspecial.2024.1331Palabras clave:
Tomografía computarizada multidetector, Inteligencia artificial, Post aguda de COVID-19Resumen
Objetivo: Desarrollar modelos de IA capaces de reconocer patrones pulmonares post-COVID en tomografías computarizadas. Método: Los radiólogos analizaron 87 tomografías computarizadas para establecer patrones tomográficos para entrenar y probar modelos de aprendizaje profundo. Luego se seleccionó el mejor modelo para leer ocho escaneos completos. Resultados: El modelo elegido mostró una precisión promedio del 92,21% en la detección de patrones post-COVID.
Conclusión: Aunque el tamaño de la muestra fue limitado, las pruebas con conjuntos de imágenes y escaneos completos mostraron resultados prometedores. La muestra utilizada en el estudio refleja el perfil epidemiológico encontrado en la literatura.
Citas
Cau R, Faa G, Nardi V, Balestrieri A, Puig J, Suri JS, SanFilippo R, Saba L. Long-COVID diagnosis: from diagnostic to advanced AI-driven models. Eur J Radiol. 2022. 148:110164.
Luqmani Y.A., El Hashim A. The COVID-19 pandemic: a health crisis managed or a panic response with disastrous future consequences? Med Princ Pract.2022. 31:1-10.
British Thoracic Society (2020) British thoracic society guidance on respiratory follow up of patients with a clinico-radiological diagnosis of COVID-19 pneumonia. 2020.
Nalbandian A, Sehgal K, Gupta A et al. Post-acute COVID-19 syndrome. Nat Med. 2021. 27:601-615.
Caruso D, Guido G, Zerunian M et al. Post-acute sequelae of COVID-19 pneumonia: six-month chest CT follow-up. Radiology. 2021. 301:E396-E405.
Desai AD, Lavelle M, Boursiquot BC, Wan EY. Long-term complications of COVID-19. 2022, 322:C1-C11.
Lee KS, Wi YM. Residual lung lesions at 1-year CT after COVID-19. 2022. Radiology 302:720-721.
Alhasan M, Hasaneen M. Digital imaging, technologies and artificial intelligence applications during COVID-19 pandemic. Comput Med Imaging Graph. 2021. 91:101933.
Noce J, Chantong G, Jauregui G, Mogami R, Monteiro A, Figueiredo K, Vellasco M. Applied enhanced Q-NAS for COVID-19 detection in CT images. In: Mahmud CIM, Kaiser MS, Mammone N, Morabito FC (eds) Applied intelligence and informatics. Springer, Berlin, Germany 2023. p 419.
Leão PPS, Freire NS, Pinto RA, Maciel K, Pinto B, Giusti R, Santos EM, Detecção de Covid-19 em Imagens de Raio-x Utilizando Redes Convolucionais, J. Health Inform. 2020 Número Especial SBIS - Dezembro: 393-8
Simonyan, K. and Zisserman, A. Very deep convolutional networks for large-scale image recognition, NASA/ADS. 2014.
Sandler M, Howard A, Zhu M, Zhmoginov A, Chen LC. MobileNetV2: Inverted Residuals and Linear Bottlenecks, 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT, USA. 2018. pp. 4510-4520.
Friedman B, Nissenbaum H. Bias in computer systems. ACM Trans Inf Syst. 1996. 14:330-347.
Mehrabi N, Morstatter F, Saxena N, Lerman K, Galstyan A. A survey on bias and fairness in machine learning. ACM Comput Surv.2021. 54:1-35.
Chlap P, Min H, Vandenberg N, Dowling J, Holloway L, Haworth A. A review of medical image data augmentation techniques for deep learning applications. J Med Imaging Radiat Oncol. 2021. 65:545-563.
Goodfellow I, Yoshua B, Courville A. Deep learning. The Mit Press. 2016., Cambridge, US
Mogami R, Lopes AJ, Filho RCA, De Almeida FCS, Messeder A, Koifman ACB, Guimarães AB, Monteiro A. Chest computed tomography in COVID-19 pneumonia: a retrospective study of 155 patients at a university hospital in Rio de Janeiro, Brazil. Radiol Bras.2021. 54:1-8.
Mogami R, Filho R.C.A., Chantong C.G.C. et al. The importance of radiological patterns and small airway disease in long-term follow-up of postacute COVID-19: a preliminary study. Radiol Res Pract.2022. 2022:7919033.
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
La sumisión de un artículo a el Journal of Health Informatics es entendida como exclusiva y que no esta siendo considerado para publicación en otro periódico. La permisión de los autores para la publicación de su artículo en lo JHI implica en la exclusiva autorización concedida a los editores para su inclusión en la revista. Al someter un artículo, a lo autor será solicitada la permisión electrónica de una Nota de Copyright. Una mensaje electrónica será enviada a lo autor correspondiente confirmando el recibo del manuscrito y lo aceite de la Nota de Copyright.
