Los investigadores de la Universidad Northwestern han desarrollado una nueva plataforma de inteligencia artificial IA que detecta COVID-19 mediante el análisis de imágenes de rayos X de los pulmones.
Denominado DeepCOVID-XR, el algoritmo de aprendizaje automático superó a un equipo de radiólogos torácicos especializados: detectando COVID-19 en rayos X aproximadamente 10 veces más rápido y entre un 1% y un 6% con mayor precisión.
Los investigadores creen que los médicos podrían usar el sistema de inteligencia artificial para evaluar rápidamente a los pacientes que ingresan en hospitales por razones distintas a COVID-19. Una detección más rápida y temprana del virus altamente contagioso podría proteger a los trabajadores de la salud y a otros pacientes al desencadenar el positivopaciente para aislar antes.
Los autores del estudio también creen que el algoritmo podría potencialmente marcar a los pacientes para el aislamiento y las pruebas que de otra manera no estarían bajo investigación para COVID-19
El estudio se publicará el 24 de noviembre en la revista Radiología .
"No pretendemos reemplazar las pruebas reales", dijo Aggelos Katsaggelos de Northwestern, experto en inteligencia artificial y autor principal del estudio. "Los rayos X son rutinarios, seguros y económicos. Nuestro sistema tardaría unos segundos en evaluar a un pacientey determinar si ese paciente necesita ser aislado. "
"Podría llevar horas o días recibir los resultados de una prueba de COVID-19", dijo el Dr. Ramsey Wehbe, cardiólogo y becario postdoctoral en IA en el Instituto Cardiovascular de Northwestern Medicine Bluhm. "La IA no confirma si o noalguien tiene el virus. Pero si podemos marcar a un paciente con este algoritmo, podríamos acelerar la clasificación antes de que se obtengan los resultados de la prueba ".
Katsaggelos es profesor Joseph Cummings de Ingeniería Eléctrica e Informática en la Escuela de Ingeniería McCormick de Northwestern. También tiene citas de cortesía en ciencias de la computación y radiología. Wehbe es becario postdoctoral en el Instituto Cardiovascular Bluhm del Northwestern Memorial Hospital.
ojo entrenado
Para muchos pacientes con COVID-19, las radiografías de tórax muestran patrones similares. En lugar de pulmones claros y sanos, sus pulmones aparecen irregulares y confusos.
"Muchos pacientes con COVID-19 tienen hallazgos característicos en sus imágenes de tórax", dijo Wehbe. Estos incluyen 'consolidaciones bilaterales'. Los pulmones están llenos de líquido e inflamados, particularmente a lo largo de los lóbulos inferiores y la periferia ".
El problema es que la neumonía, la insuficiencia cardíaca y otras enfermedades de los pulmones pueden verse similares en las radiografías. Se necesita un ojo entrenado para diferenciar entre COVID-19 y algo menos contagioso.
El laboratorio de Katsaggelos se especializa en el uso de IA para imágenes médicas. Él y Wehbe ya habían estado trabajando juntos en proyectos de imágenes de cardiología y se preguntaban si podrían desarrollar un nuevo sistema para ayudar a combatir la pandemia.
"Cuando la pandemia comenzó a aumentar en Chicago, nos preguntamos si había algo que pudiéramos hacer", dijo Wehbe. "Estábamos trabajando en proyectos de imágenes médicas usando ecocardiografía e imágenes nucleares. Sentimos que podíamos girary aplicar nuestra experiencia conjunta para ayudar en la lucha contra COVID-19 ".
IA vs. humano
Para desarrollar, entrenar y probar el nuevo algoritmo, los investigadores utilizaron 17.002 imágenes de rayos X de tórax, el mayor conjunto de datos clínicos publicados de rayos X de tórax de la era COVID-19 utilizado para entrenar un sistema de inteligencia artificial. De esas imágenes,5.445 procedían de pacientes COVID-19 positivos de sitios de todo el Northwestern Memorial Healthcare System.
Luego, el equipo probó DeepCOVID-XR contra cinco radiólogos cardiotorácicos capacitados por becas con experiencia en 300 imágenes de prueba aleatorias del Lake Forest Hospital. Cada radiólogo tardó aproximadamente de dos y media a tres horas y media en examinar esteconjunto de imágenes, mientras que el sistema de IA tardó unos 18 minutos.
La precisión de los radiólogos osciló entre el 76% y el 81%. DeepCOVID-XR funcionó un poco mejor con una precisión del 82%.
"Estos son expertos que están capacitados en una subespecialidad en la lectura de imágenes del tórax", dijo Wehbe. "Mientras que la mayoría de las radiografías de tórax son leídas por radiólogos generales o inicialmente interpretadas por personas que no son radiólogos, como el médico tratante. Amuchas veces se toman decisiones basadas en esa interpretación inicial ".
"Los radiólogos son costosos y no siempre están disponibles", dijo Katsaggelos. "Los rayos X son económicos y ya son un elemento común de la atención de rutina. Esto podría ahorrar dinero y tiempo, especialmente porque el momento es tan crítico cuando se trabaja con COVID".19. "
Límites al diagnóstico
Por supuesto, no todos los pacientes con COVID-19 muestran algún signo de enfermedad, incluso en las radiografías de tórax. Especialmente al comienzo de la progresión del virus, es probable que los pacientes aún no presenten manifestaciones en sus pulmones.
"En esos casos, el sistema de IA no marcará al paciente como positivo", dijo Wehbe. "Pero tampoco lo haría un radiólogo. Claramente, hay un límite para el diagnóstico radiológico de COVID-19, por lo que no usaríamosesto para reemplazar las pruebas. "
Los investigadores de Northwestern han puesto el algoritmo a disposición del público con la esperanza de que otros puedan continuar entrenándolo con nuevos datos. En este momento, DeepCOVID-XR aún se encuentra en la fase de investigación, pero podría usarse en el entorno clínico en el futuro.
Los coautores del estudio incluyen a Jiayue Sheng, Shinjan Dutta, Siyuan Chai, Amil Dravid, Semih Barutcu y Yunan Wu, todos miembros del laboratorio de Katsaggelos, y los doctores Donald Cantrell, Nicholas Xiao, Bradly Allen, Gregory MacNealy, Hatice Savas,Rishi Agrawal y Nishant Parekh, todos radiólogos de Northwestern Medicine.
Fuente de la historia :
Materiales proporcionado por Universidad Northwestern . Original escrito por Amanda Morris. Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :