Inteligencia artificial y aprendizaje automático en medicina respiratoria

[moiseseccam]

Artículo 1: Un estudio integral sobre las aplicaciones de Inteligencia artificial para el diagnóstico médico y pronóstico del asma
Este estudio se centra en el desarrollo y evaluación de algoritmos para diagnosticar el asma a través de cuestionarios intensivos de síntomas, datos clínicos e informes médicos.

Para el análisis de la morbilidad asmática, se combinan tres metodologías diferentes para producir un resultado significativo:
1. Cuestionario intensivo sobre síntomas
2. Informes médicos
3. Chest Sound Analysis (AdaBoost combinado con Random Forest)

Para este estudio, algoritmos como Back propagation, Particle Swarm Optimization. Se han utilizado la Red Bayesiana, C4.5 y el Modelo de Memoria Auto Asociativa. Luego, se hace una comparación para encontrar el algoritmo más adecuado en función de la complejidad, eficiencia, precisión, datos no lineales, capacidad de explicación, diagnóstico de reducción posibilidades y asignación automática de probabilidades.

La Academia Estadounidense de Alergia, Asma e Inmunología (AAAAI) estimó que casi dos tercios de los pacientes asmáticos en el mundo desconocen su enfermedad asmática.morbosidad. El factor principal responsable de esta estadística es el diagnóstico erróneo de asma como resfriado común, neumonía, bronquitis aguda, pulmonar obstructiva crónica enfermedad (EPOC), etc. Por lo tanto, se crea un cuestionario exhaustivo para el usuario que utiliza datos de la base de datos de características de la enfermedad para un diagnóstico y pronóstico distintos de asma. El cuestionario basado en el usuario se ha desarrollado de la siguiente manera: Las preguntas se han dividido en grupos y a cada grupo se le ha asignado una prioridad/factor. El factor de prioridad funciona como la puntuación del grupo.

Resultados
Según las comparaciones, está claro que la memoria Auto Asociativa, que es sustentada por la técnica de correlación matricial, es la más exitosa y el método más prometedor para el diagnóstico y pronóstico del asma. Por lo tanto, fue ampliamente probado en un servidor de diagnóstico independiente y los resultados de todas las implementaciones se registraron.

Conclusiones
Los algoritmos lograron una alta precisión: la ANN, cuando se implementa con CDAAM y utilizado con informes médicos, alcanzó una precisión extremadamente alta del 96,81%. Incluso cuando la red neuronal artificial se utilizó sin informes médicos, los algoritmos gestionados alcanzaron una precisión del 89%. Estas estadísticas apuntan claramente hacia la facilidad de implementación que ofrece esta innovación. Los algoritmos también lograron una tasa muy baja de falsos positivos y falsos negativos, lo que indica que los experimentos fueron un éxito. La naturaleza de aprendizaje constante de los algoritmos hace posible que logren precisión casi perfecta aumentando sus tamaños de entrenamiento.

Artículo 2: Un método de aprendizaje por transferencia con una red residual profunda para el diagnóstico de neumonía pediátrica
Antecedentes y objetivos
Los sistemas de diagnóstico asistido por computadora basados en el aprendizaje profundo y las imágenes médicas se están convirtiendo cada vez más en puntos críticos de investigación. Por el momento, la red neuronal convolucional clásica genera resultados de clasificación abstrayendo jerárquicamente la imagen original. Estas características abstractas son menos sensibles a la posición y orientación del objeto, y esta falta de información espacial limita la mejora adicional de la precisión de clasificación de imágenes. Por lo tanto, cómo desarrollar un marco de red neuronal adecuado y una estrategia de capacitación en aplicaciones clínicas prácticas para evitar este problema es un tema que los investigadores deben continuar explorando.

Opinión de expertos
El Machine Learning puede ayudar a tomar decisiones clínicas, pero no reemplazará al médico por completo. Los errores humanos en la medicina están asociados con grandes pérdidas económicas, y muchos de ellos podrían prevenirse con la ayuda de la IA y el aprendizaje automático. La IA es particularmente útil en ausencia de evidencia concluyente de la toma de decisiones.

CNN Propuesto
Para determinar la arquitectura y la configuración óptimas del modelo propuesto, primero es necesario comprender la naturaleza de la tarea de clasificación de imágenes de neumonía que se está considerando. Las características de imagen más utilizadas incluyen el color, la forma, la textura y la relación espacial de destino. La principal diferencia en el tipo de neumonía es la característica de textura pulmonar; por lo tanto, los investigadores generalmente eligen características de textura
locales para caracterizar la imagen. Aunque la textura es un concepto visual intuitivo y simple, muchos artículos actualmente no tienen una definición general de las texturas disponibles, y la discusión de sus definiciones está lejos de terminar

Resultados
El modelo ha sido evaluado para extraer las características de la textura asociadas con la neumonía y para identificar con precisión el desempeño de las áreas de la imagen que mejor indican neumonía. Los resultados experimentales del conjunto de datos de la prueba muestran que la tasa de recuperación del método en la tarea de clasificación de neumonía infantil es del 96,7% y la puntuación f1 es del 92,7%. En comparación con los métodos de la técnica anterior, este enfoque puede resolver eficazmente el problema de la baja resolución de imagen y la oclusión parcial del área inflamatoria en imágenes de rayos X de tórax de niños.

Conclusiones
El marco novedoso se centra en la aplicación de una clasificación avanzada que realiza directamente la caracterización de la lesión y tiene una alta fiabilidad en la tarea de clasificación de la neumonía infantil.

Referencias:
Artículo 1: http://dx.doi.org/10.2139/ssrn.3081746
Artículo 2: https://doi.org/10.1016/j.cmpb.2019.06.023