Investigadores de Johns Hopkins desarrollaron un modelo de redes neuronales profundas para detectar COVID-19 en imágenes de ultrasonidos pulmonares.
Las herramientas computacionales y las tecnologías de inteligencia artificial (IA), deep learning o machine learning, se utilizan frecuentemente para ayudar en la detección de enfermedades. Los métodos más actuales incluyen el análisis de imágenes radiológicas, de ultrasonido o de tomografías computarizadas. Sin embargo, esta clase de métodos pueden propiciar diagnósticos erróneos si las herramientas o modelos no están entrenados o validados correctamente.
Por otro lado, una de las enfermedades sobre la que investigadores han explorado diversas formas de diagnóstico es COVID-19. A pesar de que la pandemia por esta enfermedad comenzó hace más de cuatro años, sigue desafiando los sistemas de salud en todo el mundo, por lo que la necesidad de herramientas de diagnóstico precisas y eficientes continúa siendo fundamental. En este caso, una vía prometedora es el uso de redes neuronales profundas (DNN, en inglés) para detectar características de COVID-19 en imágenes de ultrasonido pulmonar.
Sin embargo, como se mencionó anteriormente, la efectividad de estas DNN depende de la calidad de los datos de entrenamiento. En este sentido, un estudio reciente, publicado por científicos de Johns Hopkins en Communications Medicine, destaca el uso de un modelo de IA entrenado a través de diversas estrategias, para detectar COVID-19 en imágenes de ultrasonido de pulmones con una exactitud simular a software de reconocimiento facial.
Para el estudio, los autores diseñaron y probaron siete estrategias diferentes que incluyen datos de pacientes reales y datos simulados de pacientes para entrenar la herramienta computacional en cómo diagnosticar correctamente las características de la imagen con alta precisión.
“Hemos desarrollado esta herramienta de detección automática para ayudar a los médicos en situaciones de emergencia con un gran número de pacientes que necesitan un diagnóstico rápido y preciso, como en las primeras fases de la pandemia”, explicó 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 física del ultrasonido y la propagación de ondas acústicas. De esta forma, los autores encontraron que incorporar datos simulados en el proceso de entrenamiento mejoró la eficiencia y la precisión del entrenamiento, lo que mostró 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 estadístico utilizado para comparar la similitud de dos muestras, se maximizó 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 explicó que: “Lo que estamos haciendo aquí con las herramientas de IA es la próxima gran frontera para el punto de atención”.
Además, incluir un subconjunto separado de imágenes en vivo internas en el conjunto de datos de entrenamiento mejoró todavía más el rendimiento de la DNN. El DSC más alto, que indica una detección precisa de características 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.
“Al principio de la pandemia, no disponíamos de suficientes imágenes de ultrasonidos de pacientes con COVID-19 para desarrollar y probar nuestros algoritmos, por lo que nuestras DNN nunca alcanzaron su máximo rendimiento”, explicó la primera autora, Lingyi Zhao, que fue la encargada de desarrollar el software. “Ahora, estamos demostrando que con conjuntos de datos generados por ordenador todavía podemos alcanzar un alto grado de precisión en la evaluación y detección de estas características COVID-19”, agregó.
Finalmente, los hallazgos del estudio sugieren que las DNN entrenadas con una combinación de datos simulados y en vivo ofrecen alternativas prometedoras para detectar con precisión características de COVID-19 en imágenes de ultrasonido pulmonar. La incorporación de datos simulados en el proceso de entrenamiento mejora la eficiencia y la precisión, especialmente cuando los datos de pacientes reales son limitados o difíciles de acceder. Esta investigación es clave para conocer el potencial de las herramientas computacionales para ayudar en el diagnóstico de COVID-19.
