TY - JOUR AU - Ruano, Josué AU - Arcila, John AU - Romo-Bucheli, David AU - Vargas, Carlos AU - Rodríguez, Jefferson AU - Mendoza, Óscar AU - Plazas, Miguel AU - Bautista, Lola AU - Villamizar, Jorge AU - Pedraza, Gabriel AU - Moreno, Alejandra AU - Valenzuela, Diana AU - Vázquez, Lina AU - Valenzuela-Santos, Carolina AU - Camacho, Paul AU - Mantilla, Daniel AU - Martínez Carrillo, Fabio PY - 2022/03/01 Y2 - 2024/03/28 TI - Representaciones basadas en aprendizaje profundo como apoyo del diagnóstico de la COVID-19 en cortes de tomografía computarizada JF - Biomédica JA - biomedica VL - 42 IS - 1 SE - Artículos originales DO - 10.7705/biomedica.5927 UR - https://revistabiomedica.org/index.php/biomedica/article/view/5927 SP - 170-183 AB - <p>Introducción. La enfermedad por coronavirus (COVID-19) es actualmente el principal problema de salud pública en el mundo. En este contexto, el análisis automático de tomografías computarizadas (TC) surge como una herramienta diagnóstica complementaria que permite caracterizar hallazgos radiológicos, y categorizar y hacer el seguimiento de pacientes con COVID-19. Sin embargo, este análisis depende de la experiencia de los radiólogos, por lo que las valoraciones pueden ser subjetivas.<br>Objetivo. Explorar representaciones de aprendizaje profundo entrenadas con cortes de TC torácica para diferenciar automáticamente entre los casos de COVID-19 y personas no infectadas.<br>Materiales y métodos. Se usaron dos conjuntos de datos de TC: de SARS-CoV-2 CT (conjunto 1) y de la clínica FOSCAL (conjunto 2). Los modelos de aprendizaje supervisados y previamente entrenados en imágenes naturales, se ajustaron usando aprendizaje por transferencia. La clasificación se llevó a cabo mediante aprendizaje de extremo a extremo y clasificadores tales como los árboles de decisiones y las máquinas de soporte vectorial, alimentados por la representación profunda previamente aprendida.<br>Resultados. El enfoque de extremo a extremo alcanzó una exactitud promedio de 92,33 % (89,70 % de precisión) para el conjunto 1 y de 96,99 % (96,62 % de precisión) para el conjunto-2. La máquina de soporte vectorial alcanzó una exactitud promedio de 91,40 % (precisión del 95,77 %) para el conjunto-1 y del 96,00 % (precisión del 94,74 %) para el conjunto 2. <br>Conclusión. Las representaciones profundas lograron resultados sobresalientes al caracterizar patrones radiológicos usados en la detección de casos de COVID-19 a partir de estudios de TC y demostraron ser una potencial herramienta de apoyo del diagnóstico.</p> ER -