Blogs de Cognex

VisionPro Deep Learning ayuda a los radiólogos a identificar imágenes de COVID-19 o neumonía

Using deep learning to identify Covid in CT scans

La nueva enfermedad por coronavirus —denominada COVID-19 por la Organización Mundial de la Salud— es causada por una nueva clase de coronavirus llamada SARS-CoV-2 (síndrome respiratorio agudo grave causado por coronavirus 2). Este virus ARN (ácido ribonucleico) monocatenario puede causar infecciones respiratorias graves, que pueden causar la hospitalización y la muerte. Casi 55 millones de personas se han infectado en todo el mundo y 1.35 millones han fallecido.

Actualmente, los científicos están trabajando con diligencia en terapias y vacunas para proteger a la población general del COVID-19. Hasta que sus esfuerzos den frutos, una de las mejores soluciones ha sido detectar al virus en sus etapas iniciales y, luego, aislar a las personas infectadas mediante cuarentenas para evitar la propagación de la enfermedad. La prueba de transcripción inversa-reacción en cadena de la polimerasa en tiempo real mediante hisopos nasofaríngeos mide los niveles de ARN en el organismo y se ha utilizado para el diagnóstico más preciso de COVID-19. Sin embargo, realizar la prueba toma horas y los retrasos pueden causar tiempos de espera superiores. Un mejor método —y más preciso— para diagnosticar COVID-19 es utilizar radiografías y tomografías computarizadas (TC).

Durante el verano de 2020, un equipo de investigadores médicos utilizó el software VisionPro Deep Learning (DL) de Cognex para resolver el problema de detectar coronavirus mediante el análisis de radiografías de tórax, y los resultados fueron positivos. En un trabajo posterior, el equipo compara la eficacia de aplicar el software VisionPro DL para identificar COVID-19 en TC. En este trabajo también se analizó cómo programar el software de forma más rápida y simple, también con resultados positivos.

Radiografías, TC y COVID-19

Imágenes clínicas, como las radiografías, pueden brindarles a los médicos y radiólogos evidencia visual de que las pruebas de laboratorio para COVID-19 son precisas. Además, las redes neuronales del aprendizaje profundo, que se entrenan de forma similar a cómo aprende un niño mediante el ejemplo, puede aligerar la carga de trabajo de los clínicos al analizar miles de imágenes e identificar anomalías que refutan o confirman un diagnóstico.

Solo hay un obstáculo: Las herramientas de aprendizaje profundo de código abierto más populares son difíciles de usar y requieren de mucho conocimiento en programación. No es razonable esperar que los trabajadores de la salud, como médicos, radiólogos y otros clínicos, dominen estas herramientas.

Este verano, un equipo de inteligencia artificial (IA) de Cognex se propuso resolver este problema a partir de una hipótesis: ¿Podría el software para automatización industrial de Cognex ser una alternativa fácil de usar a las herramientas de aprendizaje profundo de código abierto líderes con el mismo rendimiento? El estudio, titulado “Identification of Images of COVID-19 from Chest X-rays using Deep Learning: Comparing Cognex VisionPro Deep Learning 1.0 Software with Open Source Convolutional Neural Networks” [Identificación de imágenes de COVID-19 a partir de radiografías de tórax mediante aprendizaje profundo: comparación del software VisionPro Deep Learning 1.0 de Cognex con redes neuronales convolucionales de código abierto] comparó la red neuronal computacional (CNN) VisionPro DL con diferentes CNN de código abierto para evaluar radiografías, como VGG19, ResNet, DenseNet e Inception. Desde que pasó por la revisión por pares, el trabajo escrito por Arjun Sarkar, Joerg Vandenhirtz, Jozsef Nagy, David Bacsa y Mitchell Riley —todos parte del equipo de ciencias de la vida de Cognex— ha llamado la atención de varias grandes editoriales de investigación.

“Nos sorprendió saber lo fácil que fue para el software diferenciar entre las patologías que se detectan mediante radiografías”, comenta Vandenhirtz, experto principal de IA en ciencias de la vida de Cognex. “Es casi imposible para los humanos detectar las diferencias en las radiografías de diferentes patologías. Cinco radiólogos pueden brindar cinco opiniones distintas sobre estas imágenes”.

Estudio 1: VisionPro DL se destaca y sobresale

El estudio de Cognex se basó en los hallazgos de investigadores de la Universidad de Waterloo en Ontario (Canadá), denominado “COVID-Net: A Tailored Deep Convolutional Neural Network Design for Detection of COVID-19 Cases from Chest X-Ray Images” [COVID-Net: un diseño personalizado de red neuronal convolucional para detectar casos de COVID-19 a partir de radiografías de tórax]. Utilizaron casi 14.000 radiografías en una base de datos llamada COVIDx. Los coautores, Linda Wang y Alexander Wong, utilizaron paquetes de aprendizaje profundo de código abierto para desarrollar COVID-Net, una red neuronal sofisticada que analizó las radiografías y aprendió a identificar pulmones que presentaban indicios de COVID-19.

Una medida llamada valor F evalúa la precisión general de un sistema de aprendizaje profundo, que intenta predecir con exactitud patrones y anomalías en imágenes digitales rel="noopener noreferrer". En términos simples, el valor F es el porcentaje de predicciones correctas realizadas por el sistema de aprendizaje profundo.

Los investigadores de Cognex analizaron casi 14.000 radiografías de la base de datos COVID-Net. Las imágenes se clasificaron en tres categorías: normal, neumonía no causada por COVID-19 y COVID-19. Como vemos en esta tabla que compara los múltiples paquetes de aprendizaje profundo, COVID-Net tuvo resultados predictivos sólidos, entre 92.6% en las imágenes normales a 94.7% en las imágenes de COVID-19. VisionPro Deep Learning 1.0 tuvo un resultado incluso mejor, de 95.6% en las radiografías normales y 97.0% en las radiografías de COVID-19.

Imagen 1

Estudio 2: VisionPro Deep Learning amplía su liderazgo en imágenes de TC

Un trabajo más reciente de Cognex desarrollado por el mismo equipo de investigación pasa de las radiografías a los estudios de TC. Aunque muchos estudios han demostrado el éxito en la detección de imágenes de COVID-19 utilizando el aprendizaje profundo con TC y radiografías, la mayoría de las arquitecturas de aprendizaje profundo necesitan una extensa programación porque no ofrecen una interfaz gráfica de usuario (GUI) para programar el sistema. Usar estos programas es difícil para los radiólogos sin conocimiento en aprendizaje profundo o programación, e incluso más complejo les sería entrenarlos.

“Un gran problema de la adopción del software de aprendizaje profundo que es un paquete cerrado, como TensorFlow, es que requiere que los programadores desarrollen sus modelos en una interfaz terminal basada en texto”, agregó Vandenhirtz. “Por el contrario, VisionPro Deep Learning cuenta con una interfaz gráfica de usuario amigable que no necesita de experiencia en programación. Si es capaz de aprender a usar Microsoft Office, puede aprender a usar VisionProDL”. Vandenhirtz también comentó que Arjun Sarkar, el investigador principal del proyecto, nunca había usado VisionPro DL antes de unirse a Cognex. En dos meses, Sarkar aprendió a usar el programa, dirigió la investigación y escribió los hallazgos. Un estudio de aprendizaje profundo convencional lleva años-hombre para construir una red, desarrollar modelos y entrenar algoritmos. VisionPro DL reduce significativamente esos plazos.

Con la eficacia y la facilidad de uso como dos consideraciones fundamentales para las investigaciones posteriores, la última investigación de Cognex analizó el éxito de VisionPro DL en la identificación de la neumonía normal COVID-19 y no COVID, así como el grado de capacitación necesario para lograr valores F elevados. En el trabajo posterior, “Detection of COVID-19 from Chest Computed Tomography (CT) images using Deep Learning: Comparing COGNEX VisionPro Deep Learning 1.0 Software with Open Source Convolutional Neural Networks” [Detección de la COVID-19 a partir de imágenes de tomografías computarizadas de tórax con aprendizaje profundo: comparación del software VisionPro Deep Learning 1.0 de Cognex con redes neuronales convolucionales de código abierto] se utilizó una base de datos de imágenes de TC de tórax del equipo de Linda Wang en el Laboratorio de visión y procesamiento de imágenes de la Universidad de Waterloo, que incluye más de 100,000 imágenes etiquetadas por expertos. Además de las CNN en total, comparamos VisionPro Deep Learning de Cognex con otras CNN de última generación, incluidas las arquitecturas CNN COVID-Net-CT-A y COVID-Net-CT-B de la Universidad de Waterloo, así como la arquitectura CNN más reciente de Google, Xception.

Como se muestra en la siguiente tabla, VisionPro Deep Learning 1.0 de Cognex tuvo un rendimiento algo mejor que el resto de las arquitecturas de las redes CNN, con un valor F de 99.4 en las tres clases (normal, neumonía no por COVID y COVID-19). Esta investigación inicial dividió el conjunto de 100,000 imágenes de TC en dos grupos: un grupo de entrenamiento de 61,783 imágenes y un grupo de “prueba” de 21,191 imágenes que fueron analizadas luego de entrenar cada CNN.

Imagen 2

Para entender mejor cuántas imágenes se necesitan para “entrenar” un CNN de radiografías existente para evaluar condiciones normales, COVID-19 y neumonía, Cognex volvió a empezar y entrenó a su CNN con 26,338 imágenes en lugar de más de 61.000. En la siguiente tabla se muestra la comparación de los valores F de cada CNN. VisionPro Deep Learning de Cognex dominó a las demás arquitecturas CNN con valores F de 99.1 para las tres clases de imágenes (normal, COVID-19, neumonía), mientras que todas las demás CNN cayeron a valores F de entre casi noventa hasta poco más de noventa y cinco, especialmente en las dos clases patológicas relevantes: neumonía y COVID-19.

Imagen 3

El aprendizaje profundo les proporciona a los radiólogos una poderosa herramienta de diagnóstico

Si bien los hallazgos de los dos primeros estudios de Cognex deben ser verificados por otros investigadores médicos, los resultados iniciales son prometedores. Además, el software todavía no cuenta con autorización para su uso médico.

Vandenhirtz ha dicho que el principal interés de la empresa a corto plazo es dar a conocer a la comunidad médica mundial las capacidades de este tipo de software. También podría ser útil en áreas como la oftalmología que se basa en imágenes de los mecanismos internos del ojo.

Debido a todas sus capacidades, los algoritmos de aprendizaje profundo no pueden reemplazar en su totalidad la sabiduría de los clínicos humanos, comentó Vandenhirtz. Sin embargo, al igual que el estetoscopio o el manguito de presión arterial, es una herramienta útil para ayudar a los profesionales sanitarios a realizar su trabajo a un alto nivel.

“No creemos, al menos en el corto a mediano plazo, que la IA sea capaz de diagnosticar”, concluyó. “VisionPro Deep Learning puede realizar recomendaciones, pero en última instancia es decisión del radiólogo determinar qué significa la imagen”.

Más publicaciones en

ACCESO A ASISTENCIA Y CAPACITACIÓN PARA PRODUCTOS Y MÁS

Únase a MyCognex

¿Tiene alguna pregunta?

Los representantes de Cognex están disponibles en todo el mundo para respaldar sus necesidades de visión y de lectura de códigos de barras industriales.

Contáctenos
Loading...