{"id":44480,"date":"2024-04-01T09:09:48","date_gmt":"2024-04-01T15:09:48","guid":{"rendered":"https:\/\/saluddigital.com\/?p=44480"},"modified":"2025-10-18T21:55:58","modified_gmt":"2025-10-19T03:55:58","slug":"ia-es-capaz-de-detectar-covid-19-en-imagenes-de-ultrasonidos-pulmonares","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/ia-es-capaz-de-detectar-covid-19-en-imagenes-de-ultrasonidos-pulmonares\/","title":{"rendered":"IA es capaz de detectar COVID-19 en im\u00e1genes de ultrasonidos pulmonares"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Investigadores de Johns Hopkins desarrollaron un modelo de redes neuronales profundas para detectar COVID-19 en im\u00e1genes de ultrasonidos pulmonares.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Las herramientas computacionales y las tecnolog\u00edas de inteligencia artificial (IA), deep learning o machine learning, se utilizan frecuentemente para ayudar en la detecci\u00f3n de enfermedades.\u00a0 <\/span>Los m\u00e9todos m\u00e1s actuales incluyen el an\u00e1lisis de im\u00e1genes radiol\u00f3gicas, de ultrasonido o de tomograf\u00edas computarizadas. Sin embargo, esta clase de m\u00e9todos pueden propiciar diagn\u00f3sticos err\u00f3neos si las herramientas o modelos no est\u00e1n entrenados o validados correctamente.<\/p>

Por otro lado, una de las enfermedades sobre la que investigadores han explorado diversas formas de diagn\u00f3stico es COVID-19. A pesar de que la pandemia por esta enfermedad comenz\u00f3 hace m\u00e1s de cuatro a\u00f1os, sigue desafiando los sistemas de salud en todo el mundo, por lo que la necesidad de herramientas de diagn\u00f3stico precisas y eficientes contin\u00faa siendo fundamental. En este caso, una v\u00eda prometedora es el uso de redes neuronales profundas (DNN, en ingl\u00e9s) para detectar caracter\u00edsticas de COVID-19 en im\u00e1genes de ultrasonido pulmonar.<\/p>

Sin embargo, como se mencion\u00f3 anteriormente, la efectividad de estas DNN depende de la calidad de los datos de entrenamiento. En este sentido, un estudio reciente, publicado por cient\u00edficos de Johns Hopkins en Communications Medicine<\/i><\/span><\/a>, destaca el uso de un modelo de IA entrenado a trav\u00e9s de diversas estrategias, para detectar COVID-19 en im\u00e1genes de ultrasonido de pulmones con una exactitud simular a software de reconocimiento facial.<\/p>

Para el estudio, los autores dise\u00f1aron y probaron siete estrategias diferentes que incluyen datos de pacientes reales y datos simulados de pacientes para entrenar la herramienta computacional en c\u00f3mo diagnosticar correctamente las caracter\u00edsticas de la imagen con alta precisi\u00f3n.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

\u201cHemos desarrollado esta herramienta de detecci\u00f3n autom\u00e1tica para ayudar a los m\u00e9dicos en situaciones de emergencia con un gran n\u00famero de pacientes que necesitan un diagn\u00f3stico r\u00e1pido y preciso, como en las primeras fases de la pandemia\u201d, explic\u00f3 Muyinatu Bell, autora principal y profesora en la Universidad Johns Hopkins.<\/p>

En primer lugar, los datos simulados se crearon con un software que modela la f\u00edsica del ultrasonido y la propagaci\u00f3n de ondas ac\u00fasticas. De esta forma, los autores encontraron que incorporar datos simulados en el proceso de entrenamiento mejor\u00f3 la eficiencia y la precisi\u00f3n del entrenamiento, lo que mostr\u00f3 que un conjunto de datos simulados adecuadamente curado puede utilizarse cuando los datos de pacientes reales son limitados.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Los resultados revelaron que el rendimiento de la DNN, medido por el Coeficiente de Sorensen-Dice (DSC), un coeficiente estad\u00edstico utilizado para comparar la similitud de dos muestras, se maximiz\u00f3 cuando los datos simulados se combinaron con datos en vivo externos y se probaron en datos en vivo internos. Tiffany Fong, profesora asistente de medicina de emergencia en Johns Hopkins Medicine explic\u00f3 que: \u201cLo que estamos haciendo aqu\u00ed con las herramientas de IA es la pr\u00f3xima gran frontera para el punto de atenci\u00f3n\u201d.<\/span><\/p>

Adem\u00e1s, incluir un subconjunto separado de im\u00e1genes en vivo internas en el conjunto de datos de entrenamiento mejor\u00f3 todav\u00eda m\u00e1s el rendimiento de la DNN. El DSC m\u00e1s alto, que indica una detecci\u00f3n precisa de caracter\u00edsticas de COVID-19, fue alcanzado cuando los datos simulados se mezclaron tanto con conjuntos de datos en vivo internos como externos durante el entrenamiento y se validaron en un subconjunto retenido del conjunto de datos en vivo interno.<\/p>

\u201cAl principio de la pandemia, no dispon\u00edamos de suficientes im\u00e1genes de ultrasonidos de pacientes con COVID-19 para desarrollar y probar nuestros algoritmos, por lo que nuestras DNN nunca alcanzaron su m\u00e1ximo rendimiento\u201d, explic\u00f3 la primera autora, Lingyi Zhao, que fue la encargada de desarrollar el software. \u201cAhora, estamos demostrando que con conjuntos de datos generados por ordenador todav\u00eda podemos alcanzar un alto grado de precisi\u00f3n en la evaluaci\u00f3n y detecci\u00f3n de estas caracter\u00edsticas COVID-19\u201d, agreg\u00f3.<\/p>

Finalmente, los hallazgos del estudio sugieren que las DNN entrenadas con una combinaci\u00f3n de datos simulados y en vivo ofrecen alternativas prometedoras para detectar con precisi\u00f3n caracter\u00edsticas de COVID-19 en im\u00e1genes de ultrasonido pulmonar. La incorporaci\u00f3n de datos simulados en el proceso de entrenamiento mejora la eficiencia y la precisi\u00f3n, especialmente cuando los datos de pacientes reales son limitados o dif\u00edciles de acceder. Esta investigaci\u00f3n es clave para conocer el potencial de las herramientas computacionales para ayudar en el diagn\u00f3stico de COVID-19.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

NATURE<\/b><\/p>

https:\/\/www.nature.com\/articles\/s43856-024-00463-5<\/a><\/span><\/p>

JOHNS HOPINS<\/b><\/p>

https:\/\/hub.jhu.edu\/2024\/03\/20\/ai-covid-ultrasound\/<\/a><\/span><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

Investigadores de Johns Hopkins desarrollaron un modelo de redes neuronales profundas para detectar COVID-19 en im\u00e1genes de ultrasonidos pulmonares. Las herramientas computacionales y las tecnolog\u00edas de inteligencia artificial (IA), deep learning o machine learning, se utilizan frecuentemente para ayudar en la detecci\u00f3n de enfermedades.\u00a0 Los m\u00e9todos m\u00e1s actuales incluyen el an\u00e1lisis de im\u00e1genes radiol\u00f3gicas, de ultrasonido o de tomograf\u00edas computarizadas. Sin embargo, esta clase de m\u00e9todos pueden propiciar diagn\u00f3sticos err\u00f3neos si las herramientas o modelos no est\u00e1n entrenados o validados correctamente. Por otro lado, una de las enfermedades sobre la que investigadores han explorado diversas formas de diagn\u00f3stico es COVID-19. A pesar de que la pandemia por esta enfermedad comenz\u00f3 hace m\u00e1s de cuatro a\u00f1os, sigue desafiando los sistemas de salud en todo el mundo, por lo que la necesidad de herramientas de diagn\u00f3stico precisas y eficientes contin\u00faa siendo fundamental. En este caso, una v\u00eda prometedora es el uso de redes neuronales profundas (DNN, en ingl\u00e9s) para detectar caracter\u00edsticas de COVID-19 en im\u00e1genes de ultrasonido pulmonar. Sin embargo, como se mencion\u00f3 anteriormente, la efectividad de estas DNN depende de la calidad de los datos de entrenamiento. En este sentido, un estudio reciente, publicado por cient\u00edficos de Johns Hopkins en Communications Medicine, destaca el uso de un modelo de IA entrenado a trav\u00e9s de diversas estrategias, para detectar COVID-19 en im\u00e1genes de ultrasonido de pulmones con una exactitud simular a software de reconocimiento facial. Para el estudio, los autores dise\u00f1aron y probaron siete estrategias diferentes que incluyen datos de pacientes reales y datos simulados de pacientes para entrenar la herramienta computacional en c\u00f3mo diagnosticar correctamente las caracter\u00edsticas de la imagen con alta precisi\u00f3n. \u201cHemos desarrollado esta herramienta de detecci\u00f3n autom\u00e1tica para ayudar a los m\u00e9dicos en situaciones de emergencia con un gran n\u00famero de pacientes que necesitan un diagn\u00f3stico r\u00e1pido y preciso, como en las primeras fases de la pandemia\u201d, explic\u00f3 Muyinatu Bell, autora principal y profesora en la Universidad Johns Hopkins. En primer lugar, los datos simulados se crearon con un software que modela la f\u00edsica del ultrasonido y la propagaci\u00f3n de ondas ac\u00fasticas. De esta forma, los autores encontraron que incorporar datos simulados en el proceso de entrenamiento mejor\u00f3 la eficiencia y la precisi\u00f3n del entrenamiento, lo que mostr\u00f3 que un conjunto de datos simulados adecuadamente curado puede utilizarse cuando los datos de pacientes reales son limitados. Los resultados revelaron que el rendimiento de la DNN, medido por el Coeficiente de Sorensen-Dice (DSC), un coeficiente estad\u00edstico utilizado para comparar la similitud de dos muestras, se maximiz\u00f3 cuando los datos simulados se combinaron con datos en vivo externos y se probaron en datos en vivo internos. Tiffany Fong, profesora asistente de medicina de emergencia en Johns Hopkins Medicine explic\u00f3 que: \u201cLo que estamos haciendo aqu\u00ed con las herramientas de IA es la pr\u00f3xima gran frontera para el punto de atenci\u00f3n\u201d. Adem\u00e1s, incluir un subconjunto separado de im\u00e1genes en vivo internas en el conjunto de datos de entrenamiento mejor\u00f3 todav\u00eda m\u00e1s el rendimiento de la DNN. El DSC m\u00e1s alto, que indica una detecci\u00f3n precisa de caracter\u00edsticas de COVID-19, fue alcanzado cuando los datos simulados se mezclaron tanto con conjuntos de datos en vivo internos como externos durante el entrenamiento y se validaron en un subconjunto retenido del conjunto de datos en vivo interno. \u201cAl principio de la pandemia, no dispon\u00edamos de suficientes im\u00e1genes de ultrasonidos de pacientes con COVID-19 para desarrollar y probar nuestros algoritmos, por lo que nuestras DNN nunca alcanzaron su m\u00e1ximo rendimiento\u201d, explic\u00f3 la primera autora, Lingyi Zhao, que fue la encargada de desarrollar el software. \u201cAhora, estamos demostrando que con conjuntos de datos generados por ordenador todav\u00eda podemos alcanzar un alto grado de precisi\u00f3n en la evaluaci\u00f3n y detecci\u00f3n de estas caracter\u00edsticas COVID-19\u201d, agreg\u00f3. Finalmente, los hallazgos del estudio sugieren que las DNN entrenadas con una combinaci\u00f3n de datos simulados y en vivo ofrecen alternativas prometedoras para detectar con precisi\u00f3n caracter\u00edsticas de COVID-19 en im\u00e1genes de ultrasonido pulmonar. La incorporaci\u00f3n de datos simulados en el proceso de entrenamiento mejora la eficiencia y la precisi\u00f3n, especialmente cuando los datos de pacientes reales son limitados o dif\u00edciles de acceder. Esta investigaci\u00f3n es clave para conocer el potencial de las herramientas computacionales para ayudar en el diagn\u00f3stico de COVID-19. BIBLIOGRAF\u00cdA NATURE https:\/\/www.nature.com\/articles\/s43856-024-00463-5 JOHNS HOPINS https:\/\/hub.jhu.edu\/2024\/03\/20\/ai-covid-ultrasound\/<\/p>","protected":false},"author":1,"featured_media":44481,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-44480","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/44480","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=44480"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/44480\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/44481"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=44480"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=44480"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=44480"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}