Nuevo algoritmo para el diagnóstico rápido y automatizado de la COVID-19 a partir de TC de tórax supera las limitaciones de la RT-PCR

El nuevo marco para el análisis automatizado preciso e interpretable de las tomografías computarizadas de tórax fue desarrollado por investigadores del Instituto de Ciencias de Daegu Gyeongbuk (DGIST; Daegu, Corea del Sur). El estándar actual para el diagnóstico de la COVID-19 a través de la reacción en cadena de la polimerasa con transcripción inversa (RT-PCR) es limitado debido a su baja sensibilidad, alta tasa de falsos positivos y largos tiempos de prueba. Esto hace que sea difícil identificar rápidamente a los pacientes infectados y proporcionarles tratamiento. Además, existe el riesgo de que los pacientes sigan propagando la enfermedad mientras esperan los resultados de su prueba de diagnóstico.

Las tomografías computarizadas de tórax han surgido como una forma rápida y eficaz de diagnosticar la enfermedad, pero requieren la experiencia de un radiólogo para interpretarlas y, a veces, las tomografías se parecen a otros tipos de infecciones pulmonares, como la neumonía bacteriana. Ahora, un equipo de científicos ha desarrollado una técnica para la interpretación automatizada y precisa de las tomografías computarizadas de tórax. Para construir su marco de diagnóstico, el equipo de investigación utilizó una técnica de aprendizaje automático llamada "aprendizaje de instancia múltiple" (MIL). En MIL, el algoritmo de aprendizaje automático se "entrena" mediante conjuntos o "bolsas" de varios ejemplos denominados "instancias". Luego, el algoritmo MIL usa estas bolsas para aprender a etiquetar ejemplos o entradas individuales.

El equipo de investigación entrenó su nuevo marco, llamado MIL basado en contraste de atención dual (DA-CMIL), para diferenciar entre COVID y neumonía bacteriana, y descubrió que su rendimiento estaba a la par de otros métodos de análisis de imágenes automatizados de última generación. Además, el algoritmo DA-CMIL puede aprovechar información limitada o incompleta para entrenar de manera eficiente su sistema de IA. Esta investigación se extiende mucho más allá de la pandemia de COVID, sentando las bases para el desarrollo de sistemas de diagnóstico más robustos y baratos, que serán de particular beneficio para países subdesarrollados o países con recursos médicos y humanos limitados.

“Nuestro estudio puede verse tanto desde una perspectiva técnica como clínica. Primero, los algoritmos introducidos aquí se pueden extender a entornos similares con otros tipos de imágenes médicas. En segundo lugar, la 'atención dual', en particular la 'atención espacial', utilizada en el modelo mejora la interpretabilidad del algoritmo, lo que ayudará a los médicos a comprender cómo las soluciones automatizadas toman decisiones”, explicaron el profesor Sang Hyun Park y Philip Chikontwe de DGIST. quién dirigió el estudio.

Enlaces relacionados:
Instituto de Ciencias de Daegu Gyeongbuk (DGIST)