•  I
• a · A  I
• Accessibilitat  I
• Mapa web  I
• Cercar  I
• Directori

• ::  Sign in :: 

Un equip d'investigació de la Universitat Politècnica de València (UPV), pertanyent al grup CVBLab, ha desenvolupat un model predictiu d'intel·ligència artificial que és capaç de destriar entre pacients sans, malalts per pneumònia i malalts per COVID-19, a partir de radiografies toràciques.

Segons explica Valery Naranjo, catedràtica de la UPV i directora del CVBLab, el model proposat ha demostrat tenir una gran capacitat discriminatòria durant els primers experiments, i ha arribat a aconseguir un percentatge d'èxit faig d’una mitjana del 92% a l'hora de diferenciar entre les diferents classes de pacients.

“L'algorisme”, destaca Naranjo, “es comporta fins i tot millor a l'hora de predir els casos de coronavirus. La seua taxa d'encert és lleugerament superior en relació amb la resta de casos: té un percentatge d'èxit del 97% per a determinar si la radiografia és d'un pacient amb COVID”.

El grup d'investigació CVBLab de la UPV té una llarga experiència en el camp de la intel·ligència artificial, i la seua especialitat és el desenvolupament d'algorismes de visió per computador aplicats a imatges biomèdiques. “És per això”, indica Julio Silva, enginyer biomèdic i membre també del CVBLab de la UPV, “que hem posat el nostre coneixement al servei de la lluita contra aquesta pandèmia”.

Classificació i segmentació de radiografies a partir d'algorismes d’aprenentatge profund

Per a desenvolupar el model de predicció, les enginyeres i enginyers del CVBLab han aplicat tècniques de classificació i segmentació, basades en algorismes d’aprenentatge profund, sobre una gran quantitat d'imatges de radiografies. En aquest sentit, Naranjo explica que hi ha “moltíssimes més radiografies de pacients sans i amb pneumònia que de COVID-19, per com és de recent, i perquè moltes bases de dades no estan alliberades, la qual cosa suposa una dificultat afegida. El model que hem desenvolupat soluciona aquest desbalanceig de classes –de pacients– i permet oferir resultats fiables i robustos”.

El grup CVBLab disposa ja d'una versió inicial de la plataforma informàtica que integra el model de predicció, de manera que és possible carregar una radiografia toràcica i predir a l'instant si es tracta d'una mostra d'un pacient sa, malalt per pneumònia o malalt per coronavirus.

Arquitectura nova

El model d'intel·ligència artificial del CVBLab de la UPV presenta importants novetats en el disseny de l'arquitectura de xarxa neuronal. En particular, es basa en tècniques de transferència del coneixement en combinació amb altres blocs convolucionals residuals que actuen en paral·lel per a extraure característiques de les radiogràfiques toràciques.

En aquest sentit, Gabriel García, enginyer biomèdic i investigador del CVBLab de la UPV, assenyala que la nova arquitectura, “adaptada al tipus d'imatge sota estudi, ha permès obtenir uns primers resultats de sensibilitat i especificitat del 97%”.

Sistema CBIR

De manera paral·lela, el personal investigador està desenvolupant un nou sistema content-based image retrieval (CBIR) basat en xarxes neuronals generatives. La idea d'aquest sistema és que, donada una nova imatge radiogràfica, a més d'obtenir una predicció sobre el seu diagnòstic, es proporcionen automàticament també els casos precedents més similars a partir d'una gran base de dades en creixement continu.

Sobre això, Adrián Colomer, doctor en Telecomunicació i investigador del CVBLab de la UPV, explica que “les zones d'afecció pulmonar de l'historial de casos més similars es presenten mitjançant un mapa de calor molt intuïtiu per al personal expert que l'utilitze. El metge té així més dades a l'hora de prendre una decisió. És com cercar en un atles, però de manera automàtica”.

Recopilació i normalització de bases de dades internacionals

Per a crear els seus models, les investigadores i investigadors del CVBLab de la UPV han recopilat bases de dades públiques de diferents institucions, i han dut a terme una normalització d’aquestes en un marc comú que permet entrenar i testar els seus models.

Entre les bases de dades recopilades hi ha les proporcionades per la plataforma BIMCV-COVID-19 Open Source, coordinada per la FISABIO, la Universitat de Mont-real, la Societat Italiana de Radiologia Mèdica i Intervencionista, i l'obtinguda gràcies al desafiament Chest X-Ray Images (Pneumonia) de Kaggle.

“Una vegada finalitze la fase de desenvolupament de l'eina CBIR, la plataforma informàtica desenvolupada pel CVBLab s'allotjarà en un lloc web, la qual cosa possibilitarà l'ús d'accés lliure a aquesta”, conclou Naranjo.