Inteligencia artificial | 25 SEP 20

Radiografías de tórax para detectar la COVID-19

Usando un algoritmo de inteligencia artificial, se ha desarrollado un modelo que reconoce una infección por coronavirus con hasta un 97 % de precisión en radiografías torácicas.

Los estudiantes Flavio Grillo y Javier Balbás del último curso de Ingeniería de la Universidad Europea de Madrid han creado un modelo, basado en la inteligencia artificial, que permite detectar la infección por COVID-19 a través de una radiografía de tórax.

Su investigación parte de la idea de que la imagen radiológica ayuda a diferenciar con gran precisión una neumonía provocada por coronavirus de otra causada por patógenos diferentes. 

Esta herramienta puede dar la voz de alarma y ayudar al personal sanitario que no tenga a su disposición PCR o test rápidos de detección del coronavirus, o que dude sobre la primera impresión clínica de un paciente con neumonía

 "Utilizando redes neuronales convolucionales, aplicamos un algoritmo de aprendizaje muy eficaz para analizar este tipo de imagen, capaz de extraer información diversa en función del tamaño y resolución de los ficheros de entrada”, dicen los autores.

El modelo se ha entrenado con cuatro tipos de radiografías de pacientes: con neumonía por coronavirus, otra distinta vírica o bacteriana, con ambos pulmones sanos y una cuarta categoría con las imágenes fallidas. Cuando se ponía a prueba, el índice de precisión alcanzaba el 97,9 %.

Las casi 8.000 radiografías que han seleccionado para el entrenamiento están verificadas, ya que proceden de la Universidad de Ottawa (Canadá), del Centro Nacional de Radiología Intensivista de Italia, de las bases de datos que usan los profesionales sanitarios durante la pandemia, y de un médico español que ha compartido decenas de radiografías on line.

 

Comentarios

Para ver los comentarios de sus colegas o para expresar su opinión debe ingresar con su cuenta de IntraMed.

AAIP RNBD
Términos y condiciones de uso | Política de privacidad | Todos los derechos reservados | Copyright 1997-2024