Vol. 4, N° e626,
año 2022
ISSN – Online: 2708-3039
DOI:
https://doi.org/10.47796/ing.v4i0.626
Detección de
COVID-19 a partir de imágenes radiográficas utilizando redes neuronales
convolucionales: Una revisión bibliográfica
Detection
of COVID-19 from radiographic images using convolutional neural networks: A bibliographical review
Yan An Cornejo Montoya[1]
https://orcid.org/ 0000-0003-0373-1581
Sofía Alejandra García Cornejo[2]
https://orcid.org/
0000-0002-4961-2206
Recibido: 02/06/2022
Aceptado: 16/06/2022
Publicado: 11/07/2022
Resumen
La crisis generada en el planeta por la
COVID-19 (SARS-CoV-2) ocasionó un efecto devastador a nivel mundial y por tal
razón se necesitó una detección eficaz de los posibles contagios de los
pacientes infectados. En tal sentido, el presente trabajo recopila información
de herramientas de diagnóstico que utilizan Deep Learning (DL) en imágenes
médicas para detectar COVID-19. Es un estudio observacional descriptivo.
Además, el propósito es analizar y comparar como el DL aplicado a imágenes
radiográficas optimiza recursos y manejo de resultados de manera objetiva y
oportuna, evidenciando una cooperación favorable entre sector sanitario,
institucional y tecnológico. De esta manera, las Redes Neuronales
Convolucionales (CNN), en sus diferentes algoritmos, son la arquitectura
elegida en el área biomédica para el diagnóstico de enfermedades aplicadas al
análisis de imágenes radiográficas, cuya finalidad es ayudar al servicio médico
en aligerar la atención de pacientes con una detección temprana de síntomas y
factores de riesgo del virus COVID-19, debido a la cantidad de pacientes
sintomáticos y asintomáticos. Los resultados de esta Revisión Sistemática de
Literatura muestran el grado de precisión del uso de algoritmos neuronales al
evaluar las imágenes médicas. Por tanto, se concluye que las CNN han generado
resultados muy útiles para emitir un diagnóstico oportuno al momento de validar
casos positivos de COVID-19, pero se evidencia que en la mayoría de trabajos
revisados, se ha aplicado un protocolo de evaluación que sobreestima los
resultados.
Palabras clave: Aprendizaje profundo; inteligencia
artificial; redes neuronales convolucionales; aprendizaje automático.
Abstract
The crisis generated
on the planet by COVID-19 (SARS-CoV-2) caused a devastating effect worldwide,
and for this reason, an effective detection of the possible contagion of
infected patients was needed. In this sense, the present work gathers
information from diagnostic tools that use Deep Learning (DL) in medical images
to detect COVID-19. It is a descriptive observational study. In addition, the
purpose of this study is to analyze and compare how DL applied to radiographic
images optimizes resources and management of results in an objective and timely
manner, showing a favorable cooperation between the health, institutional and
technological sectors. In such a way that Convolutional Neural Networks (CNN)
in their different algorithms are the chosen architecture in the biomedical
area for the diagnosis of diseases applied to the analysis of radiographic
images, which purpose is to help the medical service to lighten the attention
of patients with an early detection of symptoms and risk factors of the
COVID-19 virus, due to the number of symptomatic and asymptomatic patients. The
results of this Systematic Literature Review show the degree of accuracy of the
use of neural algorithms when evaluating medical images. Therefore, it is
concluded that CNNs have generated very useful results to issue a timely
diagnosis when validating positive cases of COVID-19, but it is evident that in
most of the reviewed works, an evaluation protocol that overestimates the
results has been applied.
Keywords: Deep
learning; artificial intelligence; convolutional neural network; machine
learning.
1. Introducción
El virus COVID-19 es una enfermedad infecciosa que fue declarada
por la Organización Mundial de la Salud (OMS) como emergencia sanitaria y que
ocasionó el fallecimiento de muchas personas, contabilizados en su mayoría como
neumonías atípicas (OMS, 2021), cuyos primeros casos fueron reportados en Wuhan
China a finales del 2019, propagándose de manera vertiginosa por todo el
planeta (Márquez, 2020). Este escenario no solo afectó el sector sanitario,
también ocasionó crisis económica (Aguilar, 2021, p. 5).
Para apoyar esta emergencia sanitaria mundial, que ha
causado muchas muertes en más de 216 países y principalmente entre personas en
condiciones de enfermedades preexistentes como: cardiovasculares, diabetes,
hipertensión, asma y obesidad (World Health Organization, 2020), muchos países
no tenían pruebas de PCR y RT-PCR bien estandarizadas, debido a los
inconvenientes del alto costo, la falta de kits y los diagnósticos lentos
(Belman, 2022), proceso que consume un tiempo mínimo de 6 horas para confirmar
la infección (López et al., 2020), así como problemas de recolección de
muestras para diagnosticar pacientes con COVID-19, situación que generó un 30 %
a 40 % de falsos positivos y falsos negativos (Peco, 2020), Ante esta
situación, se propuso el análisis de imágenes médicas en combinación con la
tecnología, como una alternativa más precisa para diagnósticos más acertados
(Tillaguango, 2021).
Ante el panorama expuesto, fue crucial la toma de
decisiones del sector sanitario en forma inmediata que garantice un uso
eficiente de recursos de salud que controle y reduzca el número de contagiados.
Por ello, la Revisión Sistemática de Literatura (RSL) se efectuó mediante la
metodología de Barbara Kinchenhan, que permitió recabar un gran número de
artículos con temas relacionados al diagnóstico de COVID-19 que utilizó técnicas
y métodos alternativos que permitieran corroborar la aplicación de Inteligencia
Artificial (IA) a estos procedimientos, siendo el modelo de redes neuronales
convolucionales (CNN) aquel que utiliza el reconocimiento de patrones en
imágenes pulmonares que alcanzaron su mayor grado de precisión (Tillaguango,
2021; López et al., 2020).
El objetivo de este trabajo es presentar un análisis
bibliométrico de tipo cualitativo sobre la evolución y procedencia de la
presente investigación, así mismo se pretende analizar el nivel de precisión y
los impactos de aquellas investigaciones que fueron objeto del presente
estudio, cuya finalidad es producir un estado de la cuestión que demuestre que
la tecnología apoya al sector sanitario al momento de realizar un diagnóstico
oportuno al utilizar las redes neuronales convolucionales que analizan las
imágenes radiográficas.
El uso de los rayos X consituye una herramienta de
diagnóstico para posibles pacientes COVID-19, además de rápidas y económicas,
lo que permite a los médicos analizar las imágenes médicas en menor tiempo para
confirmar o descartar la presencia del virus (Apostolopoulos & Mpsiana,
2020; López et al., 2020), así como el triaje, identificación y medición de la
gravedad en caso de confirmar dicha infección (Firmeza et al., 2021). Así,
surgen preguntas como ¿Quién es el responsable del diagnóstico al utilizar
redes neuronales convolucionales en el análisis de imágenes radiográficas?,
¿Las redes neuronales convolucionales (CNN) apoyaron al sector médico en los
diagnósticos de COVID-19 utilizando imágenes radiográficas?
Por lo que hay que clasificar a la enfermedad como de
bajo o alto riesgo o que tenga un buen o mal pronóstico y dicha decisión
tomada, por lo general, por un médico sea trasladada al algoritmo neuronal, sea
validada y clasificada para que con precisión pueda apoyar al sector sanitario
(Menéndez, 2019).
1.1. Fundamentos de las redes neuronales convolucionales
aplicado al diagnóstico de COVID-19.
Uno de los avances
significativos de la tecnología es la Inteligencia Artificial (IA), término
acuñado en 1956, el cual consistía en que las máquinas resuelvan problemas que
solo lo realizaban los humanos (Uría, 2019). De la IA se desprenden el Machine
Learning (ML) primero y luego el DL, del cual el ML se trata de modelos de
aprendizaje automático que son capaces de aprender por sí mismos, reconocen
patrones y pueden predecir comportamientos a partir de un conjunto de datos
alimentados al algoritmo (Sarmiento, 2020; Artola, 2019; Abellán, et al.,
2021).
El DL es una técnica
del Machine Learning cuya arquitectura consiste de una red de neuronas
artificiales con múltiples capas ocultas que por medio de sensores se activan
las capas subsiguientes con la finalidad de que el algoritmo realice su tarea
de aprendizaje automático (Trusculescu et al., 2020), sin supervisión ni
etiquetado de imágenes y muy potente para casos de reconocimiento imágenes como
patrones faciales (Artola, 2019; Sarmiento, 2020; Armada, 2021).
Los algoritmos de DL
evalúan continuamente los datos e infieren conclusiones debido al continuo
aprendizaje automático y esto se logra porque utiliza los modelos
computacionales llamados redes neuronales artificiales (ANN), las cuales se
clasifican en: Deep
Neural Network (DNN), Redes Neuronales Convolucionales (CNN) y las redes
neuronales recurrentes (RNN) (Abellán, et al., 2021; Armada, 2021).
El presente estudio
se enfoca en las CNN que son un tipo de algoritmos ANN que han tenido mucho
éxito en el análisis y procesamiento de visión artificial, como clasificar,
reconocer patrones, comparar y/o segmentar imágenes (Abellán, et al., 2021;
Belman, 2022; Mera & Ochoa, 2021; Sarmiento, 2020; Armada, 2021).
Los avances
tecnológicos cooperan con el sector sanitario, como es el caso de la
Inteligencia Artificial (IA), que la conforman una serie de algoritmos lógicos
entrenados, basados en redes neuronales biológicas humanas, los cuales permiten
a las máquinas tomar decisiones para mejorar resultados (Ávila et al., 2021).
|
Figura 1 Línea
temporal de los campos de inteligencia artificial |
|
|
En la figura 1, se puede apreciar la
evolución de la Inteligencia Artificial (IA), pasando por el Machine Learning
hasta llegar al Deep Learning.
Los autores Medhi et al. (2020)
afirman que las redes neuronales son modelos de aprendizaje profundo que se
utilizan para anticipar, categorizar o controlar problemas en diferentes
ámbitos como la medicina, la ingeniería, etc., y se requiere su aplicación cuando
no se puede determinar la naturaleza de la relación entre los valores de
entrada y salida, porque las redes neuronales aprenden de los valores de
entrada y salida
El proceso de entrenamiento es
garantizado con la estrategia Transfer Learning, debido a que el estado del
arte de las CNN requieren de un gran conjunto de datos para desarrollar
precisión y obtener un resultado efectivo, producto del análisis de las
imágenes médicas (Apostolopoulos & Mpsiana, 2020; Nour et al., 2020).
1.2 Principios de Ética y de Sesgos en los Algoritmos
de Deep -Learning
Abellán
et al. (2021) afirma que la tecnología y la ética deben reforzarse, para que al
aplicar IA no existan sesgos que afecten la calidad de los resultados (Daley,
2020; Ávila et al., 2020). En ese sentido instituciones como Microsoft, IBM
FAO, etc. exhortan que el enfoque tecnológico sea encaminado al bien de la
humanidad, donde la integridad ética de la raza humana permanezca intacta,
minimizando aquellos desafíos que atenten contra la sociedad en general
(Abellán et al., 2021).
Los sesgos son susceptibles de
generar Falsos positivos, Falsos negativos, Verdaderos positivos y Verdaderos
negativos, debido a cómo se clasificaron las imágenes, calidad y etiquetado,
además de condiciones de sintomatología de pacientes hospitalizados por lo que
habría que considerar una correcta combinación, así como tener una considerable
cantidad de las imágenes para que el algoritmo aprenda y discrimine los casos
de COVID-19, neumonía y pacientes sanos (López et al., 2020).
1.3 Algoritmos Neuronales
convolucionales
Las
redes neuronales convolucionales son un tipo de arquitectura de red neuronal
artificial de aprendizaje profundo, que aprende por retroalimentación de los
datos, permitiendo a estas nuevas arquitecturas de redes la flexibilidad en el
reconocimiento de patrones como son las imágenes médicas CT y Rx , la cual han
demostrado tener una curva de aprendizaje mayor al momento de tener un conjunto
enorme de datos para reconocimiento de imágenes y, de esta manera, generar
resultados más precisos y en corto tiempo
Las redes neuronales profundas pueden
identificar y reconocer patrones casi imperceptibles para el cerebro humano,
incluso es una potencial herramienta que sirve de apoyo para generar un
diagnóstico de posibles afecciones que se evidencien en dichas imágenes médicas
(Martínez et al., 2019; Tillaguango,
2021; Medinaceli & Díaz, 2021).
Los algoritmos evolucionan de acuerdo
con la cantidad de datos con que se les alimente, no se basan en reglas, sino
que mejoran con el aprendizaje automático por la retroalimentación que recibe,
logrando resultados específicos mediante el procesamiento de grandes cantidades
de datos (López et al., 2021).
Las CNN son una notable técnica de
aprendizaje automático, clasificándolo como un algoritmo idóneo para el
análisis de radiografías automatizadas específicamente para los casos de
detección de afecciones respiratorias en diversas técnicas de análisis de
imágenes para la detección del COVID-19 (Esparza, 2020; El Asnaoui et al.,
2020), así mismo, las CNN son técnicas de DL muy conocidas y utilizadas no solo
en el ámbito de salud como clasificador de imágenes ofreciendo un amplio
espectro de investigación (Islam
et al., 2020; Apostolopoulos & Mpsiana, 2020; López et al., 2020).
2. Métodos
El alcance de la revisión sistemática
realizada, tiene la finalidad de analizar las redes neuronales convolucionales
en imágenes radiográficas para el diagnóstico del COVID-19. Por ello, se
revisaron artículos publicados desde el año 2019 en bases de datos como PubMed,
Scielo, Scopus, Dialnet, Latindex, Redalyc y ResearchGate, así como buscadores;
Google Scholar y RediB tal como se observa en la tabla 1. Para la búsqueda de
los artículos, se utilizaron términos como: Machine
learning in Medicine, Deep Learning
in Medicine, Artificial Intelligence
in Medicine, Redes neuronales en
COVID-19 y Artificial Intelligence to
Analyze Chest Radiographs for Signs of COVID-19. La RSL se apoya en la
metodología de Bárbara Kitchenham y se la eligió por ser flexible para el
investigador en la obtención de resultados y su futura publicación.
|
Tabla 1 Estudios
encontrados y seleccionados por cada una de las bibliotecas Virtuales |
||
|
Fuente |
Encontrados |
Seleccionados |
|
PubMed |
151 |
11 |
|
Scielo |
21 |
2 |
|
Dialnet |
1 |
1 |
|
Redalyc |
6 |
2 |
|
ResearchGate |
20 |
4 |
|
Google Scholar |
10 |
5 |
|
IEEE Journal |
1 |
1 |
|
Redib |
1 |
1 |
|
Total |
231 |
27 |
2.1
Criterios de inclusión y exclusión (criterios IC/EC)
Como criterio
de inclusión y con el fin de evaluar la calidad de la evidencia, se tomaron en
consideración artículos y revisiones escritas en español o inglés (Tabla 1),
donde se incluyó el título de la publicación, Institución y fuente, cuyo fin en
común involucraba a instituciones, investigadores, así como personal sanitario
del ámbito de radiología, y para dar respuesta a las preguntas de
investigación se aplicó la técnica de análisis de contenido. Como menciona
Franco (2020) que cita a Dauster y Carter (1960, p. 2), el análisis de
contenido “se basa en la lectura (textual o visual) como instrumento de
recolección de información y lectura, que a diferencia de la lectura común debe realizarse siguiendo el
método científico, es decir, debe ser sistemática, objetiva, replicable, y
válida”.
Se excluyeron
artículos duplicados, así como comentarios editoriales y de autores,
comunicados, noticias, opiniones y recomendaciones clínicas.
Luego se
filtraron los artículos con el objetivo de utilizar los de mayor relevancia al
contenido. Finalmente, se revisaron los artículos completos cuyo criterio de
selección corresponden a trabajos de radiología y redes neuronales
convolucionales relacionados a la COVID-19.
Desde una
perspectiva general,
el presente estudio se aborda con un marco teórico que incluye el uso de Redes Neuronales
convolucionales para revisión de imágenes médicas utilizadas en el diagnóstico
de COVID-19.
2.2 Fuentes y Técnicas
para recolección de información
Las fuentes de
información son secundarias, ya que son basadas en la producción intelectual de
otros autores.
3. Resultados
De los 27 artículos
seleccionados, 15 estudios no mostraron toda la información para un análisis de
variables como: cantidad de imágenes utilizadas, porcentaje de precisión en el
algoritmo y/o tipo específico de imagen médica analizada, motivo por el que se
descartaron y solo se analizaron 12 estudios como se aprecia en la Tabla 2.
La COVID-19 ha
demandado el uso de herramientas tecnológicas como la Inteligencia Artificial
(IA), así como el almacenamiento en la nube con la intención de reducir el
tiempo de respuesta para realizar un diagnóstico a personas con posibles
contagios. Es decir, la conectividad digital ayudó a guardar el distanciamiento
social y cumplir con las medidas de bioseguridad, a su vez que las empresas
pudieran optar por el teletrabajo, situación que ha desafiado a la imaginación
con soluciones tecnológicas para controlar el avance de los contagios, por
medio de ciertos
aplicativos como Alipay Health Code, cuya función es asignar un código de
colores según el estado de salud y que les permita movilizarse en transporte
público. Así también el uso de sensores de calor para detectar aglomeraciones y
síntomas febriles, otras invenciones como el uso de cascos inteligentes que
detectan personas con fiebre hasta una distancia de cinco metros, mientras
otras alternativas fueron desarrolladas para predecir posibles brotes de
contagio, uso de robots para: desinfección de lugares públicos, atención
hospitalaria, envíos de encomiendas, etc. (Caf et al., 2020).
3.1 Criterios de Inclusión
Se consideró los siguientes:
Artículos
publicados a partir de 2019 en adelante
Artículos en
inglés o español
Artículos
relacionados a métodos de IA, ML, DL y CNN para identificar o diagnosticar a
pacientes con COVID-19
Artículos que
mencionan el análisis de imágenes médicas Rx, CT.
3.2 Criterios de Exclusión
Se consideró los siguientes:
Artículos cuyas
publicaciones sean menores al 2019
Artículos que no
mencionan, reconocen o diagnostican el COVID-19
Métodos o
técnicas de detección o diagnóstico ambiguos
Estudios que no especificaban
la cantidad de imágenes médicas utilizadas.
Publicaciones sin
fecha
En la tabla 2, se
visualiza aquellas publicaciones tanto de autores como instituciones
involucradas en la investigación y uso de algoritmos neuronales aplicados al
diagnóstico en posibles pacientes con COVID-19 a partir de imágenes
radiográficas que utilizaron Deep Learning (DL) que obtuvieron un alto porcentaje de efectividad
o precisión, entrenando una cierta cantidad de conjunto de datos (detallado en
Tabla 3) y que ha permitido la construcción de modelos computacionales de
múltiples capas, dicho esquema sirvió de diagnóstico acorde a los parámetros
programados (Franco, 2020).
En la tabla 3,
se desglosa el estudio de diversos investigadores que analizaron diferentes
imágenes médicas versus el algoritmo neuronal que resultó con mayor precisión
para la detección de COVID-19.
Los investigadores utilizaron algunas
metodologías como el de Civit-M et al., con el algoritmo VGG-16 basado en DL
para la detección del COVID-19, logrando una precisión del 100 % al utilizar un
total
de 5 887 imágenes obtenidas de un sitio de acceso público. Wang & Wong con
el algoritmo COVID-Net, presentan un modelo basado en Deep learning para la
detección de COVID -19. COVID-Net alcanzó una precisión del 92,4 % utilizando
un total de 16 756 imágenes de radiografías obtenidas de diferentes datos de
acceso abierto. Van Ginneken presenta tres estudios con diferentes algoritmos,
DeepCovid-XR que fue entrenado con casi 15 000 imágenes de las cuales 4 000 fueron
positivas a COVID-19 mostrando una precisión del 88 %; el segundo estudio con
el algoritmo CAD4COVID–X-ray se alimentó la red neuronal con 454 imágenes de
las cuales 223 eran casos positivos a Covid-19, además este algoritmo fue
preentrenado con 416 imágenes de otro hospital mostrando una precisión del 81
%; y finalmente, el tercer caso es con el algoritmo CV19-Net entrenado con
imágenes del Centro de Salud Henry Ford con un total de 5 000 imágenes, de las
cuales la mitad de ellas eran positivas a COVID-19 con una precisión del 94 %.
Panwar et al., logró una precisión del 97 % con el modelo CovNet de un total de
337 imágenes, las cuales 193 eran positivas a COVID-19.
|
Tabla 2 Artículos de Investigación Analizados |
|
||||||
|
Título |
Institución |
Fuente |
||||
|
P1 |
Deep Learning System for
COVID-19 Diagnosis Aid Using X-ray Pulmonary images |
Universidad de Sevilla |
Civit-M et al. (2020) |
|||
|
P2 |
Automatic Detection of
COVID-19 Infection Using Chest X-Ray Images Through Transfer Learning |
Universidad de Fortaleza |
Firmeza et al. (2021) |
|||
|
P3 |
ai-corona:
Radiologist-Assistant Deep Learning Framework for COVID-19 Diagnosis in Chest
CT Scans |
IPM, NRITLD Teherán
(Irán) |
Yousefzadeh et al. (2020) |
|||
|
P4 |
The Potential of
Artificial Intelligence to Analyze Chest Radiographs for Signs of COVID-19
Pneumonia |
Northwestern Memorial
Health Care System |
Van Ginneken (2020) |
|||
|
P5 |
Uso de imágenes de rayos
X y aprendizaje profundo para detección automatizada de la enfermedad por
coronavirus |
Mohammed VI Polytechnic
University (Marruecos), Moulay Ismail University (Marruecos) |
El Asnaoui & Chawki
(2020) |
|||
|
P6 |
Aplicación de aprendizaje
profundo para la detección rápida de COVID-19 en rayos X usando nCOVnet |
Jaypee University of
Information Technology (India), Instituto Tecnológico de Monterrey (México) |
Panwar et al. (2020) |
|||
|
P7 |
Análisis de algoritmos de
aprendizaje profundo en la base de datos de radiografías COVID-19 |
Krishna Institute of
Engineering And Technology (India) |
Jaiswal & Singh,
(2020) |
|||
|
P8 |
Diagnóstico de la
neumonía COVID-19 a partir de imágenes de rayos X y TC mediante algoritmos de
aprendizaje profundo y aprendizaje por transferencia |
Koya University (Iraq),
University of Wolverhampton (Reino Unido), King Saud University (Arabia
Saudita) |
Maghdid (2020) |
|||
|
P9 |
COVID-Net: un sistema
neuronal convolucional profundo personalizado Diseño de red para la detección
de casos COVID-19 a partir de imágenes de rayos X de tórax |
University of Waterloo
(Canadá) |
Wang & Wong, (2020) |
|||
|
P10 |
Detección automatizada de
casos de COVID-19 utilizando redes neuronales profundas con Imágenes de rayos
x |
Firat University
(Turquía), University of Bristol (UK) Munzur University (Turquía) Ngee Ann
Polytechnic, (Singapur), Asia University (Taiwan), Kumamoto University
(Japón) |
Barstugan et al. (2020) |
|||
|
P11 |
A deep learning approach
to characterize 2019 coronavirus disease (COVID-19) pneumonia in chest CT
images |
Nanjing University |
Qianqian et al. (2020) |
|||
|
P12 |
Artificial intelligence distinguishes COVID-19
from community acquired pneumonia on chest CT |
Wuhan
Hospital et al. |
Li et al. (2020) |
|||
Nota. Adaptado de Franco (2020)
Firmeza et al. tuvieron una precisión del 98
%, de un total de 676 imágenes con solo 194
casos positivos para COVID-19. Jaiswal & Singh indicaron
que el resultado de la precisión de su algoritmo fue del 99 %, donde se
hicieron pruebas en algunos modelos como VGG, DenseNet, ResNet, Inception,
NasNet, and MobileNet. Maghdid (2022), con el modelo AlexNet mostró una
precisión del 98 %. Barstugan et al., con un total de 618 imágenes, de las
cuales 219 eran COVID19 + utilizadas en algunos modelos neuronales, obtuvo un
99 % de precisión en el algoritmo GLSZM. Qianqian et al., con una muestra de 14
435 imágenes solo 96 eran positivas COVID-19, mostró una precisión de 95 % en
el modelo MVP-Net. Li et al., con una muestra de 4 356 imágenes de seis centros
médicos distintos, dio una precisión de 90 % con el algoritmo CovNet.
Yousefzadeh et al., contaba con una muestra de 7 184 imágenes médicas, donde 5
693 eran positivas a COVID-19 cuyo algoritmo EfficientNetB3 mostró un 95 % de
precisión.
|
Tabla
3 Algoritmos
de Deep Learning con valores de precisión |
||||
|
Estudio de autores |
Tipo de imágenes |
Número de casos |
Algoritmo usado |
Precisión (%) |
|
Civit-M
et al. |
Chest
X-ray |
132
COVID-19(+), 132 Pneumonia, 132
Healthy |
VGG-16 |
100 |
|
Wang
& Wong |
Chest
X-ray |
53
COVID-19(+), 5526 COVID-19 (−), 8066 Healthy |
CovidNet |
92,4 |
|
Van Ginneken |
Chest
X-Ray |
223 COVID-19+ 4000 COVID19+ 5000 trainee |
CAD4COVID–x-ray DeepCOVID-XR CV19-Net |
81 88 94 |
|
Panwar
et al |
CT/Chest-Ray |
337
total images, 192 COVID-19(+), 142 Healthy |
COVnet |
97 |
|
Firmeza
et al. |
X-Ray |
194
COVID-19 + 194 Healthy |
MobileNet
+SVM linear |
98 |
|
Jaiswal
& Singh |
X-Ray |
Various
sources |
VGG, DenseNet, ResNet, Inception, NasNet, and
MobileNet |
99 |
|
Maghdid |
CT/X-Ray |
120
Xray (60 COVID;60 Healthy), 339 CT (192 COVID19 |
AlexNet |
98 |
|
Barstugan
et al. |
Chest
X-Ray |
175
healthy |
GLCM, LDP,GLRLM,GLSZM,DWT algorithms |
99 |
|
Qianqian
et al. |
CT |
14,435 96 COVID19+ |
MVP-Net |
95 |
|
Li
et al. |
CT |
4356 |
CovNet |
90 |
|
Yousefzadeh |
CxR |
7184
images |
DenseNet,
ResNet, Xception, and Efficient-NetB0 through EfficientNetB3, ImageNet |
95 |
|
El Asnaoui
& Chawki. |
X-Ray, CT
images |
Inception_Resnet_V2 |
92 |
|
|
Nota. Adaptado de Pereira et al. (2020); Ozturk et al. (2020). |
||||
El Asnaoui et al. tuvieron una precisión del 92 % al utilizar el modelo
Inception_Resnet_V2 con la característica de tener disponibles 1 724 imágenes
de pronóstico COVID-19, 2 780 imágenes con diagnóstico de pneumonía Bacterial y
1 583 imágenes de pacientes sanos. Lo común de estos estudios es que los
realizaron con pocos datos para desarrollar el modelo.
Los algoritmos
descritos en la tabla 3 muestran diferentes porcentajes de precisiones, pero
son métodos que han evaluado pocas imágenes médicas y para que sea realmente
representativa y con credibilidad su resultado, el algoritmo neuronal debe
tener cientos de miles de imágenes para aprender, además de clasificar
correctamente las imágenes para que el algoritmo realice una evaluación
eficiente y por ende resulte en un diagnóstico concluyente. Pero cabe recalcar
que en todos los estudios mencionados en la tabla 3, sus autores concluyen que
incide mucho la calidad de la imagen, la cantidad de ellas (Maghdid, 2020, p.7;
Jaiswal & Singh, 2020; Yousefzadeh, 2021; Firmeza et al., 2021), el
etiquetado correcto para evitar sesgos y diagnósticos erróneos (López et al.,
2020); y como requisito principal se necesita la experticia del radiólogo, así
como el diagnóstico oportuno para emitir su criterio profesional (Esparza,
2020; López et al., 2020; Firmeza et al., 2021; Ozturk et al., 2021).
La calidad de la imagen
varía así como su precio, la más económica y de rápida entrega son los Rayos X
de pecho (CRX). En cuestión de minutos, se puede hacer el diagnóstico; la
tomografía computarizada (TC) es un poco más costosa y demora hasta dos días
para su entrega al paciente; y la resonancia magnética (RM) es la más costosa
de las tres imágenes médicas; así lo afirman algunos autores (López et al.,
2020; Apostolopoulos & Mpsiana, 2020). Por otro lado, los radiólogos no
están convencidos de que la inteligencia artificial (algoritmos neuronales)
realicen evaluaciones de dichas imágenes médicas con absoluta precisión, porque
dichos algoritmos necesitan alimentarse o entrenarse con imágenes para que
puedan aprender y emitan un diagnóstico sin errores (Cohen, Hashir & Brooks, 2020; Ozturk
et al., 2021; Pereira et al., 2020).
Sin embargo, el DL es
una gran ayuda para la detección de múltiples enfermedades debido a su pronta
difusión de un resultado, ya que pueden existir muchas anormalidades en los
hallazgos radiológicos, cuya interpretación práctica en la vida real difiere entre
el uso de IA y el diagnóstico de un médico (Corbacho
et al., 2020), esto se debe por la calidad de la imagen versus precio
sea Rayos x de pecho (CRX), Tomografía computarizada (TC) o imagen de
resonancia magnética (MRI) que alimente al algoritmo (transfer learning) y que,
por ende, se requiere de la presencia del radiólogo experimentado para que
realice su diagnóstico profesional en casos de neumonías virales, bacterianas
y/u otras patologías (López et al., 2020; Apostolopoulos & Mpsiana, 2020).
La sensibilidad del
algoritmo ha demostrado una ligera ventaja superior a la de los radiólogos
residentes, al momento de realizar la detección de anomalías a partir de
imágenes de TC de pacientes confirmados de COVID-19 (Qianqian et al., 2020; El
Asnaoui & Chawki, 2020).
La arquitectura de los
algoritmos informáticos basados en redes neuronales convolucionales que han
sido entrenados con una gran cantidad de imágenes de radiografías y tomografías
computarizadas, intentan realizar un diagnóstico más
específico y anticipado en pacientes que presenten afecciones pulmonares a
través de un procesamiento automático de imágenes que han sido previamente
analizadas por personal de salud especializado (González et al., 2021), mejorando
en forma considerable la eficiencia del trabajo del radiólogo (Corbacho D.,
2020; Pereira et al., 2020).
Basado en lo anterior, facilita
la posibilidad del manejo de aforos y ubicaciones de la población, para
realizar un mejor control de posibles contagios, que con el apoyo de la
tecnología, como es el caso de 85 startups aliadas con la
fundación Prosegur y su plan piloto en Valencia - España con su lema “Reto
Aulas Covid Free”, mediante el uso de localizadores en la vestimenta, vigilan
la distancia de grupos menores a 1,5 metros, iniciativa que podría replicarse
en otros sectores
4. Discusión
De los resultados obtenidos en la RSL
sobre la precisión de los Algoritmos informáticos basados en redes neuronales
convolucionales (CNN) para el diagnóstico de COVID-19, se evidencia una
fiabilidad de más del 90 % al analizar las imágenes radiográficas, pero todos
los estudios mencionados en la tabla 2 no cumplen con la cantidad mínima para
alimentar el algoritmo (entrenamiento) para minimizar o eliminar los
sesgos y que de un resultado válido, preciso y concluyente, como lo mencionan
algunos autores (Maghdid, 2020, p.7; Jaiswal & Singh, 2020; Yousefzadeh,
2021; Firmeza et al., 2021).
En
consecuencia, las imágenes médicas más viables para la detección de la COVID-19
son la TC y las radiografías pulmonares utilizando CNN, siendo más costosa la
TC debido a la complejidad de los equipos, pero lo primordial al momento de
seleccionar las imágenes de TC o de Rx pulmonares es el correcto etiquetado y
validación por parte radiólogos expertos para que se realice un diagnóstico
apropiado y preciso (Franco, 2020; Corbacho D., 2020).
En la
presente RSL se evidenció que para brindar un mejor diagnóstico se requiere un
entrenamiento más profundo de los algoritmos de redes neuronales (Corbacho et
al., 2020) alimentándolos con las imágenes radiográficas (Islam et al., 2020; Apostolopoulos
& Mpsiana, 2020; El Asnaoui & Chawki, 2020) para precisar sus
decisiones diagnósticas (atributos clínicos), así también que se optimice la
calidad de las imágenes, protocolos etc. Esto significa que al menos unos
cientos, miles o millones de imágenes se necesitarían para que aprenda o
entrene previamente el algoritmo neuronal (Trusculescu, et al., 2020). A mayor
entrenamiento de las redes neuronales mostrarán mejores resultados con una
opción más viable del modelo de reconocimiento de patrones que garantice mejor
precisión (Tillaguango, 2021).
Como
limitación, vale mencionar la poca cantidad de imágenes que se tuvo en los
diversos estudios mencionados en la presente RSL, ya que las redes neuronales
convolucionales aprenden con la experiencia. Además, se requirió el apoyo del
personal sanitario experimentado para que realicen el correcto etiquetado en
las imágenes conforme a su habilidad para realizar dicha actividad (Ilyas et
al., 2020), así como segmentar o señalar las lesiones relacionadas con la
COVID-19 en dichas imágenes radiográficas (Muñoz, et al., 2020), donde el
personal sanitario debía tener experticia en análisis de biopsias entre otros,
cuyas características son difíciles de encontrar (López et al., 2021).
5. Conclusiones
De esta manera, queda en
evidencia que los algoritmos con estructura neuronal son capaces de aprender y
organizar sus redes neuronales, mostrando un continuo aprendizaje, los cuales
ayudarían a diagnosticar en menor tiempo y a clasificar pacientes en diferentes
etapas de la enfermedad (Corbacho et al., 2020). Así mismo el
autor Tillaguango (2021) afirma que el uso de las CNN son una opción viable
para el diagnóstico automático y eficiente de pacientes con COVID-19 aplicando
estrategias de Transfer Learning a los algoritmos CNN (Islam et al., 2020).
Algunos expertos en
análisis de imágenes radiográficas afirman que aún se necesita de la presencia
del especialista médico para realizar un diagnóstico oportuno, aunque la
experiencia ha demostrado que dichos algoritmos neuronales aprenden con base a
la alimentación de los datos, factor importante a considerar al momento de
eliminar los sesgos y así obtener un resultado idóneo e imparcial para un
diagnóstico eficaz, oportuno y objetivo (Serofca, 2021; Pereira et al., 2020).
Los resultados
alcanzados en este trabajo se basaron en el empleo de las técnicas de DL
específicamente (CNN) (García et al., 2020; Tillaguango, 2021; Ozturk, et al.,
2020; Pereira et al., 2020; Wang & Wong, 2020), los cuales permiten
ratificar conocimiento existente sobre esta nueva enfermedad (COVID-19). Así
también que los especialistas sanitarios y de tecnología puedan colaborar de
forma conjunta para beneficio de la población afectada por el virus y que
permita diagnosticar de manera ágil y precisa utilizando una interfaz de CNN,
cuyo promedio de procesamiento para emitir un resultado de una imagen de CT es
4,51 segundos dependiendo de las características del equipo de cómputo (Li et
al., 2020).
Se propone para futuras
investigaciones obtener una gran
cantidad de imágenes médicas (CRX, TC, MR) para alimentar o entrenar a aquellos
algoritmos neuronales con la finalidad de que apoyen al sector sanitario a emitir un
diagnóstico preciso, para brindar asistencia y aligerar la carga de pacientes
(Ozturk, et al., 2020; Nour et al., 2020; El Asnaoui & Chawki, 2020).
Finalmente, se
recomienda que en futuros estudios se consideren también aquellas
investigaciones que utilicen técnicas diferentes a la imagenología para la
detección de afecciones respiratorias. Por otro lado, se sugiere no limitarse en
la búsqueda de artículos en un solo idioma y que las fuentes internacionales sean una
alternativa importante a la hora de buscar otras publicaciones
6. Referencias Bibliográficas
Abellán, F., Barón, F.,
Del Barrio, J., Fernández, O., García, X., García, J.,... Urriés, A. (2021). Inteligencia Artificial en el campo de la
salud. Un nuevo paradigma: Aspectos clínicos, éticos y legales. (F. M.
Salud, Editor) ISBN: 978-84-18568-02-2. https://www.fundacionmercksalud.com/wp-content/uploads/2021/02/digital_monografia-26_inteligencia-artificial_final-1.pdf
Apostolopoulos, L., & Mpsiana, T. (2020). Covid-19: automatic detection from X-ray
images utilizing transfer learning with convolutional neural networks. De Phys Eng Sci Med 43,
635–640. https://doi.org/10.1007/s13246-020-00865-4
Arias, V., Salazar,
J.,..., & Bermúdez, V. (2019). Una introducción a las aplicaciones de la
inteligencia artificial en Medicina: Aspectos históricos. Revista Latinoamericana de Hipertensión. Vol. 14 Núm. 5. ……………………………………………….……. https://www.redalyc.org/journal/1702/170262877013/html/
Armada, B. (2021). Utilización de Técnicas de Machine. https://repositorio.comillas.edu/xmlui/bitstream/handle/11531/46947/TFG%20-%20Armada%20Carrion%2C%20Belen%202.pdf?sequence=2
Artola, A. (2019). Clasificación de imágenes usando redes
neuronales convolucionales en Python. https://idus.us.es/bitstream/handle/11441/89506/TFG-2402-ARTOLA.pdf?sequence=1&isAllowed=y
Ávila, J., Mayer, M.,
& Quesada, V. (2021, enero). La inteligencia artificial y sus aplicaciones
en medicina II: importancia actual y aplicaciones prácticas. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7752970/
Barstugan, M., Ozkaya,
U., & Ozturk, S. (2020). Coronavirus (COVID 19). Classification using CT images
by Machine learning methods. https://arxiv.org/abs/2003.09424
Belman, C. (2022). Detección de COVID-19 y otros casos de
neumonía utilizando redes neuronales convolucionales e imágenes de rayos-X.
Vol. 42 N- 1. https://doi.org/10.15446/ing.investig.v42n1.90289
Caf, Cepal, Digital Policy and Law, Telecom Advisory
Services Llc. (2020).
Las oportunidades de la digitalización en
América Latina frente al Covid-19. https://www.cepal.org/sites/default/files/publication/files/45360/OportDigitalizaCovid-19_es.pdf
Civit-M, J., Luna, F.,
Domínguez, M., & Civit, A. (2020, Julio 5). Deep Learning System for COVID-19 Diagnosis Aid Using
X-ray Pulmonary images. https://doi.org/10.3390/app10134640
Cohen, J. P., Hashir, M., & Brooks, R. &.
(2020). On the limits of cross-domain ge- neralization
in automated X-ray prediction. arXiv:2002.02497
[cs, eess, q-bio, stat]. http://arxiv.org/abs/2002.02497
Corbacho, D. (2020,
enero). Povisa lidera una investigación
para mejorar el diagnóstico del cáncer de pulmón con tecnología Machine
Learning. https://riberasalud.com/povisa/povisa-lidera-una-investigacion-para-mejorar-el-diagnostico-del-cancer-de-pulmon-con-tecnologia-machine-learning/
Corbacho, D., Ruano,
A., & Fernández, A. (2020, octubre 22). Inteligencia
artificial en radiología torácica. ¿Un reto en tiempos de la COVID-19?. https://www.archbronconeumol.org/es-inteligencia-artificial-radiologia-toracica-un-articulo-S0300289620303884
Daley, B. (2020, agosto
10). Discriminación racial en la
inteligencia artificial. https://theconversation.com/discriminacion-racial-en-la-inteligencia-artificial-142334
El Asnaoui, K., & Chawki, Y. (2020). Using X-ray images and deep learning for
automated detection of coronavirus disease. Journal of Biomolecular Structure
and Dynamics, 0(0), 1–12. https://doi.org/10.1080/07391102.2020.1767212
Esparza, J. (2020). Redes
Neuronales Convolucionales en la detección de afecciones respiratorias de los
sistemas locales de salud: Una revisión sistemática entre los años 2010 y 2020. https://repositorio.upn.edu.pe/bitstream/handle/11537/25838/Jose_Esparza_REVISI%c3%93N-Sistem%c3%81TICA%20total.pdf?sequence=1&isAllowed=y
Espino T, C. (2017,
enero 16). Análisis predictivo: técnicas
y modelos utilizados y aplicaciones del mismo - herramientas Open Source que
permiten su uso. http://openaccess.uoc.edu/webapps/o2/bitstream/10609/59565/6/caresptimTFG0117mem%C3%B2ria.pdf
Firmeza, E., Maia, G.,
Souza, J., Vieira, A., Bessa, A., & C. de Albuquerque, V. (2021, Enero). Automatic
Detection of COVID-19 Infection Using Chest X-Ray Images Through
Transfer Learning. https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9205687
Franco, J. (2020, 11
06). Aplicación de la inteligencia
artificial (IA) en imagen médica durante la crisis del Covid-19: Un estudio de
caso de Deep Learning como invención del “Método de Invención”. https://riunet.upv.es/handle/10251/154335
García, M., Rodríguez,
Y., Ramón, A., Bello, B., Filiberto, Y., Rosete, A., ...
Bello, R. (2020). Adquisición de
conocimiento sobre la letalidad de la COVID-19 mediante técnicas de
inteligencia artificial.http://revistaccuba.sld.cu/index.php/revacc/article/view/891/912
González, H., Calleja,
A., Gómez, G., Rodríguez, A., & López, L. (2021, Abril 6). Los conceptos de Machine Learning y Deep
Learning en la industria. https://www.interempresas.net/MetalMecanica/Articulos/347471-Los-conceptos-de-Machine-Learning-y-Deep-Learning-en-la-industria.html
Ilyas, M., Rehman, H., & Nait, A. (2020). Detection of Covid-19 From
Chest X-ray Images. https://arxiv.org/pdf/2004.05436.pdf
Islam, Z., Islam, M., & Asraf, A. (2020). A combined deep CNN-LSTM network for the
detection of novel coronavirus (COVID-19) using X-ray images. Vol. 20. https://doi.org/10.1016/j.imu.2020.100412
Jaiswal, A., & Singh, A. (2020). Analysis of Deep Learning algorithms on
COVID19 Radiography Database. International Journal of Advanced Science and
Technology. https://doi.org/10.13140/RG.2.2.27462.91203
Li, L., Qin, L., ..., &
Xian, J. (2020). Artificial Intelligence
Distinguishes COVID-19 from Community Acquired Pneumonia on Chest CT. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7233473/#__ffn_sectitle
López, D., Bosco, R.,
Guerrero, C., Zambrano, R., & Saucedo, T. (2021). Comparación de arquitecturas de redes neuronales convolucionales para
el diagnóstico de COVID-19. ISSN 2007-9737.
http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S1405-55462021000300601
López, J., Portal, J.,
Orozco, R., & Pérez, M. (2020). Revisión
crítica sobre la identificación de covid-19 a partir de imágenes de rayos x de
tórax usando técnicas de inteligencia Artificial. Obtenido de Revista Cubana de
Transformación Digital. ISSN-e: 2708-3411.vol. 1, núm. 3, 2020. http://portal.amelica.org/ameli/jatsRepo/389/3891734008/
Maghdid, H. S. (2020). Diagnosing COVID-19 Pneumonia from X-Ray and CT Images using Deep
Learning and Transfer Learning Algorithms. 1–8. http://arxiv.org/abs/2004.00038
Márquez, J. (2020). Inteligencia artificial y Big Data como
soluciones frente a la COVID-19. ISSN 1886-5887..https://scielo.isciii.es/scielo.php?script=sci_arttext&pid=S1886-58872020000300019
Martínez Q, J. (2021,
Enero). Identificación no supervisada de
zona más relevante en radiografía para la detección de COVID. http://repositorio.unab.cl/xmlui/handle/ria/18326
Medhi, K., Jamil, & Hussain, I. (2020). Automatic Detection of COVID-19 Infection
from Chest X-ray using Deep Learning. https://doi.org/10.1101/2020.05.10.20097063
Medinaceli, K., &
Díaz, M. (2021). Impacto y regulación de
la Inteligencia Artificial en el ámbito sanitario. Revista IUS. Vol. 15.
Núm 48. https://doi.org/10.35487/rius.v15i48.2021.745
Menéndez, P. (2019,
Diciembre 19). Aprendizaje profundo para
el diagnóstico de radiografías de tórax en el servicio de urgencias. https://doi.org/10.1148/radiol.2019191225
Mera, L., & Ochoa,
J. (2021). Redes neuronales
convolucionales para la clasificación de componentes independientes de rs-fMRI.
https://www.redalyc.org/journal/3442/344264813015/344264813015.pdf
Muñoz, C., Calvillo,
P., Oprisan, A., Alberich, A., Estellés, P., & Martí, L. (2020). Radiología y COVID-19: un Repaso a una
Actuación. https://doi.org/10.32440/ar.2020.137.02.rev05
Nour, M., Cömert, Z., & Polat, K. (2020). A Novel Medical Diagnosis model for COVID-19
infection detection based on Deep Features and Bayesian Optimization. Vol. 97. https://doi.org/10.1016/j.asoc.2020.106580.
Ozturk, T., Talo, M.,
Azra, E., Baran, U., Yildirim, O., & Acharia, U. (2020). Automated
detection of COVID-19 cases using deep neural networks with X-ray images. Vol. 121. https://doi.org/10.1016/j.compbiomed.2020.103792.
Panwar, H., Gupta, P. K., Siddiqui, M. K., Morales-M,
R., & Singh, V. (2020). Application
of deep learning for fast detection of COVID-19 in X-Rays using nCOVnet. Chaos,
Solitons and Fractals, 138, 109944. https://doi.org/10.1016/j.chaos.2020.109944
Peco, R. (2020, mayo 5). La
inteligencia artificial detecta la Covid-19 con una radiografía. https://www.lavanguardia.com/tecnologia/20200525/481373081626/covid-19-coronavirus-inteligencia-artificial-hospital-del-mar-de-barcelona-tomofrafias.html
Pereira, R. D.,
Teixeira, L., Silla, C., & Costa, Y. (2020). COVID-19 identification in chest X-ray images on flat
and hierarchical classification scenarios.
https://doi.org/10.1016/j.cmpb.2020.105532
Pérez, H. (2020,
noviembre). Inteligencia artificial: la
gran aliada contra la covid-19. https://www.compromisoempresarial.com/coronavirus/2020/11/inteligencia-artificial-aliada-contra-covid19/
Qianqian, N., Zhi, Y. S., Qi, L., Wen, C., Yi, Y., 3
Li, W., ... Long, J. Z. (2020, Julio). A deep learning approach to characterize
2019 coronavirus disease (COVID-19) pneumonia in chest CT images. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7331494/
Sarmiento, J. (2020).
Aplicaciones de las redes neuronales y el deep learning a la ingeniería
biomédica. Revista UIS Ingenierías, vol.
19, núm. 4: https://www.redalyc.org/journal/5537/553768213002/html/
Serofca, (2021, marzo
20). Inteligencia artificial (IA),
aprendizaje automático (ML) y aprendizaje profundo (DL). https://serofca.com/2021/03/20/inteligencia-artificial-ia-aprendizaje-automatico-ml-y-aprendizaje-profundo-dl/
Tillaguango, J. (2021).
Revisión sistemática de literatura:
análisis de viabilidad para la detección y diagnóstico de Covi-19, aplicando
modelos de inteligencia artificial (IA). ISSN:1390 5902. https://revistas.unl.edu.ec/index.php/cedamaz/article/view/1183/855
Trusculescu, A.,
Manolescu, D., Tudorache, E., & Oancea, C. (2020). Deep learning in
interstitial lung disease—how long until daily practice. https://link.springer.com/article/10.1007/s00330-020-06986-4
Uría, S. (2019). Visualización en Redes Neuronales
Convolucionales. https://ri.unlu.edu.ar/xmlui/bitstream/handle/rediunlu/842/Trabajo_Final_Licenciatura_Uria_Santiago_113311.pdf?sequence=1&isAllowed=y
Van Ginneken, B. (2020, noviembre 24). The Potential of Artificial Intelligence to
Analyze Chest Radiographs for Signs of COVID-19 Pneumonia. https://doi.org/10.1148/radiol.2020204238
Wang, L., & Wong, A. (2020). COVID-Net: A Tailored Deep Convolutional Neural Network Design for
Detection of COVID-19 Cases from Chest X-Ray Images. https://www.nature.com/articles/s41598-020-76550-z
World Health Organization. (2020). Coronavirus disease (COVID-19) pandemic.
World Health Organization, Geneva. https://www.who.int/emergencies/diseases/novel-coronavirus-2019.
Yousefzadeh, M., Esfahanian, P., Sadegh, s., Gorgin,
S., Rahmati, D., Abedini, A., ... Lashgari, R. (2021,
Mayo). ai-corona: Radiologist-assistant deep learning
framework for COVID-19 diagnosis in chest CT scans. https://doi.org/10.1371/journal.pone.0250952