Inteligencia artificial para el marco de detección COVID-19 multisensorial

Contenido principal del artículo

Rakesh Chandra-Joshi
Malay Kishore-Dutta
Carlos M. Travieso

Resumen

Muchos países están luchando por los recursos de detección de COVID-19, lo que plantea la necesidad de sistemas de diagnóstico automáticos y de bajo costo que puedan ayudar a diagnosticar y que se pueda realizar una gran cantidad de pruebas rápidamente. En lugar de depender de un solo método, se pueden utilizar la inteligencia artificial y enfoques basados e n múltiples sensores para decidir la predicción del estado de salud del paciente. La temperatura, el nivel de saturación de oxígeno, la radiografía de tórax y el sonido de la tos se pueden analizar para la detección rápida. El enfoque de múltiples sensores es más confiable y una persona puede ser analizada en múltiples dimensiones de características. Los modelos de aprendizaje profundo se pueden entrenar con múltiples imágenes de rayos X de tórax que pertenecen a diferentes categorías para diferentes condiciones de salud, es decir, saludable, COVID-19 positivo, neumonía, tuberculosis, etc. El modelo de aprendizaje profundo extraerá las características de las imágenes de entrada y en base a eso, las imágenes de prueba se clasificarán en diferentes categorías. De manera similar, el sonido de la tos y la conversación corta se pueden entrenar en una red neuronal convolucional y, después de un entrenamiento adecuado, las muestras de voz de entrada se pueden diferenciar en diferentes categorías. Los enfoques basados  en materiales artificiales pueden ayudar a desarrollar un sistema que funcione de manera eficiente a bajo costo.

Detalles del artículo

Cómo citar
Chandra-Joshi, R. ., Kishore-Dutta, M. ., & Travieso, C. M. (2022). Inteligencia artificial para el marco de detección COVID-19 multisensorial. Revista Tecnología En Marcha, 35(8), Pág. 101–109. https://doi.org/10.18845/tm.v35i8.6460
Sección
Artículo científico

Citas

World Health organization, Coronavirus disease (COVID-19) pandemic, https://www.who.int/emergencies/ diseases/novel-coronavirus-2019 (accessed on 22 July, 2020).

W. Wang, Y. Xu, R. Gao, R. Lu, K. Han, G. Wu, et al., “Detection of SARS-CoV-2 in Different Types of Clinical Specimens,” Jama, 2020.

M. Abdel-Basset, R. Mohamed, M. Elhoseny, R. K. Chakrabortty and M. Ryan, “A Hybrid COVID-19 Detection Model Using an Improved Marine Predators Algorithm and a Ranking-Based Diversity Reduction Strategy,” in IEEE Access, vol. 8, pp. 79521-79540, 2020. doi: 10.1109/ACCESS.2020.2990893

L. Carrer et al., “Automatic Pleural Line Extraction and COVID-19 Scoring from Lung Ultrasound Data,” in IEEE Transactions on Ultrasonics, Ferroelectrics, and Frequency Control. doi: 10.1109/TUFFC.2020.3005512

F. Rustam et al., “COVID-19 Future Forecasting Using Supervised Machine Learning Models,” in IEEE Access, vol. 8, pp. 101489-101499, 2020. doi: 10.1109/ACCESS.2020.2997311

Johns Hopkins University Data Repository. Cssegisanddata. Accessed: June. 27, 2020. [Online]. Available: https://github.com/ CSSEGISandData

S. Karanam, R. Li, F. Yang, W. Hu, T. Chen and Z. Wu, “Towards Contactless Patient Positioning,” in IEEE Transactions on Medical Imaging. doi: 10.1109/TMI.2020.2991954

C. Guo, P. Tian and K. R. Choo, “Enabling Privacy-assured Fog-based Data Aggregation in E-healthcare Systems,” in IEEE Transactions on Industrial Informatics. doi: 10.1109/TII.2020.2995228

E. Montes-Orozco et al., “Identification of COVID-19 Spreaders Using Multiplex Networks Approach,” in IEEE Access, vol. 8, pp. 122874-122883, 2020. doi: 10.1109/ACCESS.2020.3007726

Shah, S. et al. Novel use of home pulse oximetry monitoring in COVID‐19 patients discharged from the emergency department identifies need for hospitalization. Acad. Emerg. Med. (2020) doi:10.1111/acem.14053.

Simonyan, K., Zisserman, A., 2014. VGG-16. arXiv Prepr. https://doi.org/10.1016/j.infsof.2008.09.005

Kim, J., Lee, J.K., Lee, K.M., 2016. Accurate image super-resolution using very deep convolutional networks, in: Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition. https:// doi.org/10.1109/CVPR.2016.182

Joseph Paul Cohen and Paul Morrison and Lan Dao COVID-19 image data collection, arXiv: 2003.11597, 2020 https://github.com/ieee8023/COVID-chestxray-dataset.

Chest X-Ray Images (Pneumonia) https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia.

A. Waheed, M. Goyal, D. Gupta, A. Khanna, F. Al-Turjman and P. R. Pinheiro, “CovidGAN: Data Augmentation Using Auxiliary Classifier GAN for Improved Covid-19 Detection,” in IEEE Access, vol. 8, pp. 91916-91923, 2020, doi: 10.1109/ACCESS.2020.2994762.