Utility of artificial intelligence for detection of pneumothorax on chest radiopgraphs done after transthoracic percutaneous transthoracic biopsy guided by computed tomography.

OBJETIVE: To assess the ability of an artificial intelligence software to detect pneumothorax in chest radiographs done after percutaneous transthoracic biopsy. MATERIAL AND METHODS: We included retrospectively in our study adult patients who underwent CT-guided percutaneous transthoracic biopsies from lung, pleural or mediastinal lesions from June 2019 to June 2020, and who had a follow-up chest radiograph after the procedure. These chest radiographs were read to search the presence of pneumothorax independently by an expert thoracic radiologist and a radiodiagnosis resident, whose unified lecture was defined as the gold standard, and the result of each radiograph after interpretation by the artificial intelligence software was documented for posterior comparison with the gold standard. RESULTS: A total of 284 chest radiographs were included in the study and the incidence of pneumothorax was 14.4%. There were no discrepancies between the two readers' interpretation of any of the postbiopsy chest radiographs. The artificial intelligence software was able to detect 41/41 of the present pneumothorax, implying a sensitivity of 100% and a negative predictive value of 100%, with a specificity of 79.4% and a positive predictive value of 45%. The accuracy was 82.4%, indicating that there is a high probability that an individual will be adequately classified by the software. It has also been documented that the presence of Port-a-cath is the cause of 8 of the 50 of false positives by the software. CONCLUSIONS: The software has detected 100% of cases of pneumothorax in the postbiopsy chest radiographs. A potential use of this software could be as a prioritisation tool, allowing radiologists not to read immediately (or even not to read) chest radiographs classified as non-pathological by the software, with the confidence that there are no pathological cases.

Rendimiento diagnóstico de un nuevo software de aprendizaje profundo para corrección de atenuación en la imagen de perfusión miocárdica utilizando una cámara CZT cardiodedicada. Experiencia en la práctica clínica / Diagnostic performance of a novel deep learning attenuation correction software for MPI using a cardio dedicated CZT camera: Experience in the clinical practice

Objetivo Evaluar el rendimiento diagnóstico de un nuevo software de aprendizaje profundo para corrección de atenuación (SAPCA) en imágenes de perfusión miocárdica (IPM) utilizando una cámara cardiodedicada de cadmio-cinc-telurio (CZT) con correlación con angiografía coronaria (AC) para el diagnóstico de enfermedad arterial coronaria (EAC) en una población de alto riesgo. Métodos Estudio retrospectivo de 300 pacientes (196 varones [65%], edad media de 68 años) desde septiembre de 2014 hasta octubre de 2019. Posteriormente realizaron una IPM, seguida de AC dentro de los 6 meses posteriores a la IPM. La probabilidad media pretest para EAC según los criterios de la Sociedad Europea de Cardiología fue del 37%. La IPM se realizó en una cámara CZT cardio dedicada (D-SPECT® Spectrum Dynamics) usando un protocolo de 2 días, de acuerdo con las guías de la Sociedad Europea de Medicina Nuclear (EANM). La IPM fue evaluada con y sin el SAPCA. Resultados La precisión diagnóstica global de la IPM sin el SAPCA para identificar pacientes con cualquier EAC obstructiva en la AC fue del 87%, sensibilidad del 94%, especificidad del 57%, valor predictivo positivo del 91% y valor predictivo negativo del 64%. Utilizando el SAPCA, la precisión diagnóstica global fue del 90%, la sensibilidad del 91%, la especificidad del 86%, el valor predictivo positivo del 97% y el valor predictivo negativo del 66%. Conclusión El uso del novel SAPCA mejora el rendimiento diagnóstico de la IPM usando la cámara CZT D-SPECT®, especialmente reduciendo el número de resultados falsos positivos al reducir los artefactos (AU)

urpose To evaluate the diagnostic performance of a novel deep learning attenuation correction software (SAPCA) for myocardial perfusion imaging (MPI) using a cadmium-zinc-telluride (CZT) cardio dedicated camera with invasive coronary angiography (ICA) correlation for the diagnosis of coronary artery disease (CAD) in a high-risk population. Methods Retrospective study of 300 patients (196 males [65%], mean age 68 years) from September 2014 to October 2019 undergoing MPI, followed by ICA and evaluated by means of quantitative angiography software, within six months after the MPI. The mean pre-test probability score for coronary disease according to the European Society of Cardiology criteria was 37% for the whole cohort. The MPI was performed in a dedicated CZT cardio camera (D-SPECT® Spectrum Dynamics) with a two-day protocol, according to the European Association of Nuclear Medicine guidelines. MPI was retrospectively evaluated with and without the SAPCA. Results The overall diagnostic accuracy of MPI without SAPCA to identify patients with any obstructive CAD at ICA was 87%, Sensitivity 94%, Specificity 57%, positive predictive value 91% and negative predictive value 64%. Using SAPCA the overall diagnostic accuracy was 90%, sensitivity 91%, specificity 86%, positive predictive value 97% and negative predictive value 66%. Conclusion Use of the novel SAPCA enhances performance of the MPI using the CZT D-SPECT® camera and achieves improved results, especially avoiding artefacts and reducing the number of false positive results (AU)

Diagnostic performance of a novel deep learning attenuation correction software for MPI using a cardio dedicated CZT camera. Experience in the clinical practice.

PURPOSE: To evaluate the diagnostic performance of a novel deep learning attenuation correction software (DLACS) for myocardial perfusion imaging (MPI) using a cadmium-zinc-telluride (CZT) cardio dedicated camera with invasive coronary angiography (ICA) correlation for the diagnosis of coronary artery disease (CAD) in a high-risk population. METHODS: Retrospective study of 300 patients (196 males [65%], mean age 68 years) from September 2014 to October 2019 undergoing MPI, followed by ICA and evaluated by means of quantitative angiography software, within six months after the MPI. The mean pre-test probability score for coronary disease according to the European Society of Cardiology criteria was 37% for the whole cohort. The MPI was performed in a dedicated CZT cardio camera (D-SPECT Spectrum Dynamics) with a two-day protocol, according to the European Association of Nuclear Medicine guidelines. MPI was retrospectively evaluated with and without the DLACS. RESULTS: The overall diagnostic accuracy of MPI without DLACS to identify patients with any obstructive CAD at ICA was 87%, sensitivity 94%, specificity 57%, Positive Predictive Value 91% and Negative Predictive Value 64%. Using DLACS the overall diagnostic accuracy was 90%, sensitivity 91%, specificity 86%, Positive Predictive Value 97% and Negative Predictive Value 66%. CONCLUSION: Use of the novel DLACS enhances performance of the MPI using the CZT D-SPECT camera and achieves improved results, especially avoiding artefacts and reducing the number of false positive results.

Tomografía fotoacústica y Deep Learning en aplicacionesmédicas

En las últimas décadas, las imágenes fotoacústicas han demostrado su eficacia en el apoyo al diagnóstico de algunas enfermedades, así como en la investigación médica, ya que a través de ellas es posible obtener información del cuerpo humano con características específicas y profundidad de penetración, desde 1 cm hasta 6 cm dependiendo en gran medida del tejido estudiado, además de una buena resolución. Las imágenes fotoacústicas son comparativamente jóvenes y emergentes y prometen mediciones en tiempo real, con procedimientos no invasivos y libres de radiación. Por otro lado, aplicar Deep Learning a imágenes fotoacústicas permite gestionar datos y transformarlos en información útil que genere conocimiento. Estas aplicaciones poseen ventajas únicas que facilitan la aplicación clínica. Se considera que con estas técnicas se pueden proporcionar diagnósticos médicos confiables. Es por eso que el objetivo de este artículo es proporcionar un panorama general de los casos donde se combina el Deep Learning con técnicas fotoacústicas.

In recent decades, photoacoustic imaging has proven its effectiveness in supporting the diagnosis of some diseases as well as in medical research, since through them it is possible to obtain information of the human body with specific characteristics and depth of penetration, from 1 cm to 6 cm depending largely on the tissue studied, in addition to a good resolution. Photoacoustic imaging is comparatively young and emerging and promises real-time measurements, with non-invasive and radiation-free procedures. On the other hand, applying Deep Learning to photoacoustic images allows managing data and transforming them into useful information that generates knowledge. These applications have unique advantages that facilitate clinical application. It may be possible with these techniques to provide reliable medical diagnoses. That is why the aim of this article is to provide an overview of cases combining Deep Learning with photoacoustic techniques.

El renacimiento tecnológico de la Radiología: la revolución open source y la inteligencia artificial

El campo de la radiología ha experimentado avances notables en las últimas décadas, con desarrollos que van desde la mejora de la calidad y digitalización de las imágenes hasta la detección asistida por computadora. Particularmente, la aparición de técnicas de Inteligencia Artificial basadas en Deep Learning y Visión Computacional han promovido soluciones innovadoras en el diagnóstico y el análisis radiológico. Se explora la relevancia de los desarrollos y modelos open source en el progreso de estas técnicas, resaltando el impacto que la colaboración y el acceso abierto han tenido en el avance científico del campo. La investigación tiene un enfoque cualitativo, con alcance descriptivo y retrospectivo, de corte longitudinal. Se realizó un análisis documental de la evolución y el impacto del open source en la Radiología, poniendo de relieve la colaboración multidisciplinar. Se examinaron casos de uso, ventajas, desafíos y consideraciones éticas en relación con la implementación de soluciones basadas en Inteligencia Artificial en Radiología. El enfoque open source ha mostrado ser una influencia positiva en la Radiología, con potencial para influir en la atención médica, ofreciendo soluciones más precisas y accesibles. No obstante, se presentan desafíos éticos y técnicos que requieren atención.

The field of radiology has seen notable advances in recent decades, with developments ranging from image quality improvement and digitization to computer-aided detection. Particularly, the emergence of Artificial Intelligence techniques based on Deep Learning and Computer Vision have promoted innovative solutions in diagnosis and radiological analysis. This article explores the relevance of open source developments and models in the progress of these techniques, highlighting the impact that collaboration and open access have had on the scientific advancement in this field. This research has a qualitative approach, with a descriptive, retrospective, longitudinal scope. A documentary analysis of the evolution and impact of open source in Radiology was carried out, highlighting multidisciplinary collaboration. Use cases, advantages, challenges and ethical considerations were also examined in relation to the implementation of AI-based solutions in Radiology. The Open Source approach has been shown to be a positive influence in Radiology, with the potential to influence medical care, offering more precise and accessible solutions. However, there are ethical and technical challenges that require attention.

Chatbots, generative AI, and scholarly manuscripts: WAME recommendations on chatbots and generative artificial intelligence in relation to scholarly publications

This statement revises our earlier "WAME Recommendations on ChatGPT and Chatbots in Relation to Scholarly Publications" (January 20, 2023). The revision reflects the proliferation of chatbots and their expanding use in scholarly publishing over the last few months, as well as emerging concerns regarding lack of authenticity of content when using chatbots. These recommendations are intended to inform editors and help them develop policies for the use of chatbots in papers published in their journals. They aim to help authors and reviewers understand how best to attribute the use of chatbots in their work and to address the need for all journal editors to have access to manuscript screening tools. In this rapidly evolving field, we will continue to modify these recommendations as the software and its applications develop.

Esta declaración revisa las anteriores "Recomendaciones de WAME sobre ChatGPT y Chatbots en Relation to Scholarly Publications" (20 de enero de 2023). La revisión refleja la proliferación de chatbots y su creciente uso en las publicaciones académicas en los últimos meses, así como la preocupación por la falta de autenticidad de los contenidos cuando se utilizan chatbots. Estas recomendaciones pretenden informar a los editores y ayudarles a desarrollar políticas para el uso de chatbots en los artículos sometidos en sus revistas. Su objetivo es ayudar a autores y revisores a entender cuál es la mejor manera de atribuir el uso de chatbots en su trabajo y a la necesidad de que todos los editores de revistas tengan acceso a herramientas de selección de manuscritos. En este campo en rápida evolución, seguiremos modificando estas recomendaciones a medida que se desarrollen el software y sus aplicaciones.

Caracterización de la autonomía como indicador clave en las habilidades de aprender a aprender en estudiantes de medicina

Fundamento: la autonomía permite a los estudiantes pensar por sí mismos, con sentido crítico e independencia, tener en cuenta diferentes puntos de vista y actuar en correspondencia con ellos. Constituye un indicador necesario en el estudio de las habilidades de aprender a aprender. Objetivo: caracterizar la autonomía como indicador de las habilidades de aprender a aprender en estudiantes de medicina. Métodos: se empleó un diseño mixto de investigación del tipo explicativo secuencial. La investigación se realizó de octubre de 2021 a marzo de 2022 en la Universidad de Ciencias Médicas de Cienfuegos. La muestra no probabilística, intencionada, quedó constituida por 255 estudiantes del primer año de la carrera de Medicina. Para la recolección de información se utilizó el cuestionario que evalúa el nivel de formación de las habilidades de aprender a aprender, observaciones a actividades docentes y grupos focales. Resultados: la autonomía está presente en el 45,4 % de los estudiantes, según cuestionario. En los grupos focales algunos estudiantes reconocen presentar insuficiencias en algunos indicadores de la autonomía, lo que se corresponde con los datos obtenidos en las observaciones a las actividades docentes. Conclusiones: la autonomía como indicador clave de las habilidades de aprender a aprender en los estudiantes del primer año de la Universidad de Ciencias Médicas de Cienfuegos se caracterizó por una baja expresión en los procesos de aprendizaje de los estudiantes de medicina.

Background: autonomy allows students to think for themselves, critically and independently, take into account different points of view and act accordingly. It constitutes a necessary indicator in the study of learning-to-learn skills. Objective: to characterize autonomy as an indicator of learning-to-learn skills in medical students. Methods: a mixed research design of the sequential explanatory type was used. The research was carried out from October 2021 to March 2022 at the Cienfuegos University of Medical Sciences. The intentional, non-probabilistic sample was made up of 255 Medicine first-year students. The questionnaire that evaluates the learning to learn skills training level, observations of teaching activities and focus groups were used to collect information. Results: autonomy is present in 45.4% of the students, according to the questionnaire. In the focus groups, some students acknowledge presenting deficiencies in some autonomy indicators, which corresponds to the data obtained in the observations of teaching activities. Conclusions: autonomy as a learning to learn skills key indicator in the Cienfuegos Medical Sciences University first-year students, was characterized by a low expression in the medical students' learning processes.

Edad retiniana como biomarcador predictivo del grado de retinopatía diabética / Retinal age as a predictive biomarker of the diabetic retinopathy grade

Objetivo Aplicar técnicas de inteligencia artificial, mediante algoritmos de aprendizaje profundo, para el desarrollo y optimización de un sistema de predicción de la edad de una persona con base en una retinografía color, y estudiar una posible relación entre la evolución de la retinopatía diabética (RD) y un envejecimiento prematuro de la retina. Métodos Se entrenó una red convolucional para calcular la edad de una persona con base en una retinografía. Dicho entrenamiento fue realizado sobre un conjunto de retinografías de pacientes con diabetes previamente dividido en 3 subconjuntos (entrenamiento, validación y test). La diferencia entre la edad cronológica del paciente y la edad biológica de la retina se definió como gap de edad retiniano. Resultados Se utilizó un conjunto de 98.400 imágenes para la fase de entrenamiento, 1.000 imágenes para la fase de validación y 13.544 para la fase de test. El gap retiniano de los pacientes sin RD fue de 0,609 años y el de los pacientes con RD de 1,905 años (p<0,001), siendo la distribución por grado de RD de: RD leve 1,541 años; RD moderada 3,017 años; RD severa 3,117 años, y RD proliferativa 8,583 años. Conclusiones El gap de edad retiniano muestra una diferencia en positivo de media entre las personas diabéticas con RD frente a las que no tienen RD, y además aumenta progresivamente, de acuerdo con el grado de RD. Estos resultados podrían indicar la existencia de una relación entre la evolución de la enfermedad y un envejecimiento prematuro de la retina (AU)

Objective To apply artificial intelligence techniques, through deep learning algorithms, for the development and optimization of a system for predicting the age of a person based on a color retinography, and to study a possible relationship between the evolution of retinopathy diabetes (RD) and premature aging of the retina. Methods A convolutional network was trained to calculate the age of a person based on a retinography. Said training was carried out on a set of retinographies of patients with diabetes previously divided into 3 subsets (training, validation and test). The difference between the chronological age of the patient and the biological age of the retina was defined as the retinal age gap. Results A set of 98,400 images was used for the training phase, 1000 images for the validation phase and 13,544 for the test phase. The retinal gap of the patients without RD was 0.609 years and that of the patients with RD was 1905 years (p<0.001), with the distribution by degree of RD being: mild RD 1541 years; moderate RD 3017 years; RD severe 3117 years, and proliferative RD 8583 years. Conclusions The retinal age gap shows a positive mean difference between diabetics with RD versus those without RD, and it increases progressively, according to the degree of RD. These results could indicate the existence of a relationship between the evolution of the disease and premature aging of the retina (AU)

Retinal age as a predictive biomarker of the diabetic retinopathy grade.

OBJECTIVE: To apply artificial intelligence (AI) techniques, through deep learning algorithms, for the development and optimization of a system for predicting the age of a person based on a color retinography and to study a possible relationship between the evolution of retinopathy diabetes and premature ageing of the retina. METHODS: A convolutional network was trained to calculate the age of a person based on a retinography. Said training was carried out on a set of retinographies of patients with diabetes previously divided into three subsets (training, validation and test). The difference between the chronological age of the patient and the biological age of the retina was defined as the retinal age gap. RESULTS: A set of 98,400 images was used for the training phase, 1000 images for the validation phase and 13,544 for the test phase. The retinal gap of the patients without DR was 0.609 years and that of the patients with DR was 1905 years (p < 0.001), with the distribution by degree of DR being: mild DR: 1541 years, moderate DR: 3017 years, DR severe: 3117 years and proliferative DR: 8583 years. CONCLUSIONS: The retinal age gap shows a positive mean difference between diabetics with DR versus those without DR, and it increases progressively, according to the degree of DR. These results could indicate the existence of a relationship between the evolution of the disease and premature ageing of the retina.

Deep learning analysis on the resulting impacts of weekly load training on students' biological system / Análise do aprendizado profundo nos impactos resultantes dos treinos semanais de carga sobre o sistema biológico dos estudantes / Análisis de aprendizaje profundo sobre los impactos resultantes de los entrenamientos semanales de carga en el sistema biológico de los estudiantes

ABSTRACT Introduction The recent development of the deep learning algorithm as a new multilayer network machine learning algorithm has reduced the problem of traditional training algorithms easily falling into minimal places, becoming a recent direction in the learning field. Objective Design and validate an artificial intelligence model for deep learning of the resulting impacts of weekly load training on students' biological system. Methods According to the physiological and biochemical indices of athletes in the training process, this paper analyzes the actual data of athletes' training load in the annual preparation period. The characteristics of athletes' training load in the preparation period were discussed. The value, significance, composition factors, arrangement principle and method of calculation, and determination of weekly load density using the deep learning algorithm are discussed. Results The results showed that the daily 24-hour random sampling load was moderate intensity, low and high-intensity training, and enhanced the physical-motor system and neural reactivity. Conclusion The research shows that there can be two activities of "teaching" and "training" in physical education and sports training. The sports biology monitoring research proves to be a growth point of sports training research with great potential for expansion for future research. Level of evidence II; Therapeutic studies - investigation of treatment outcomes.

RESUMO Introdução O recente desenvolvimento do algoritmo de aprendizado profundo como um novo algoritmo de aprendizado de máquina de rede multicamadas reduziu o problema dos algoritmos de treinamento tradicionais, que facilmente caiam em locais mínimos, tornando-se uma direção recente no campo do aprendizado. Objetivo Desenvolver e validar um modelo de inteligência artificial para aprendizado profundo dos impactos resultantes dos treinos semanais de carga sobre o sistema biológico dos estudantes. Métodos De acordo com os índices fisiológicos e bioquímicos dos atletas no processo de treinamento, este artigo analisa os dados reais da carga de treinamento dos atletas no período anual de preparação. As características da carga de treinamento dos atletas no período de preparação foram discutidas. O valor, significância, fatores de composição, princípio de arranjo e método de cálculo e determinação da densidade de carga semanal usando o algoritmo de aprendizado profundo são discutidos. Resultados Os resultados mostraram que a carga diária de 24 horas de amostragem aleatória foi de intensidade moderada, treinamento de baixa densidade e alta intensidade, e o sistema físico-motor e a reatividade neural foram aprimorados. Conclusão A pesquisa mostra que pode haver duas atividades de "ensino" e "treinamento" na área de educação física e no treinamento esportivo. A pesquisa de monitoramento da biologia esportiva revela-se um ponto de crescimento da pesquisa de treinamento esportivo com grande potencial de expansão para pesquisas futuras. Nível de evidência II; Estudos terapêuticos - investigação dos resultados do tratamento.

RESUMEN Introducción El reciente desarrollo del algoritmo de aprendizaje profundo como un nuevo algoritmo de aprendizaje automático de red multicapa ha reducido el problema de los algoritmos de entrenamiento tradicionales, que caen fácilmente en lugares mínimos, convirtiéndose en una dirección reciente en el campo del aprendizaje. Objetivo Desarrollar y validar un modelo de inteligencia artificial para el aprendizaje profundo de los impactos resultantes del entrenamiento de la carga semanal en el sistema biológico de los estudiantes. Métodos De acuerdo con los índices fisiológicos y bioquímicos de los atletas en el proceso de entrenamiento, este artículo analiza los datos reales de la carga de entrenamiento de los atletas en el período de preparación anual. Se analizaron las características de la carga de entrenamiento de los atletas en el periodo de preparación. Se analizan el valor, el significado, los factores de composición, el principio de disposición y el método de cálculo y determinación de la densidad de carga semanal mediante el algoritmo de aprendizaje profundo. Resultados Los resultados mostraron que la carga diaria de 24 horas de muestreo aleatorio era de intensidad moderada, de baja densidad y de alta intensidad de entrenamiento, y que el sistema físico-motor y la reactividad neural mejoraban. Conclusión La investigación muestra que puede haber dos actividades de "enseñanza" y "formación" en la educación física y el entrenamiento deportivo. La investigación sobre el seguimiento de la biología del deporte demuestra ser un punto de crecimiento de la investigación sobre el entrenamiento deportivo con un gran potencial de expansión para futuras investigaciones. Nivel de evidencia II; Estudios terapéuticos - investigación de los resultados del tratamiento.

Deep learning for analysis of changes in vital capacity and blood markers after swimming matches based on blended learning / Aprendizado profundo para análise das alterações da capacidade vital e marcadores sanguíneos após jogos de natação baseados no aprendizado combinado / Aprendizaje profundo para el análisis de los cambios en la capacidad vital y los marcadores sanguíneos después de los partidos de natación basados en el aprendizaje combinado

ABSTRACT Introduction Nowadays, more people are concerned with physical exercise and swimming competitions, as a major sporting event, have become a focus of attention. Such competitions require special attention to their athletes and the use of computational algorithms assists in this task. Objective To design and validate an algorithm to evaluate changes in vital capacity and blood markers of athletes after swimming matches based on combined learning. Methods The data integration algorithm was used to analyze changes in vital capacity and blood acid after combined learning swimming competition, followed by the construction of an information system model to calculate and process this algorithm. Results Comparative experiments show that the neural network algorithm can reduce the calculation time from the original initial time. In the latest tests carried out in about 10 seconds, this has greatly reduced the total calculation time. Conclusion According to the model requirements of the designed algorithm, practical help has been demonstrated by building a computational model. The algorithm can be optimized and selected according to the calculation model according to the reality of the application. Level of evidence II; Therapeutic studies - investigation of treatment outcomes.

RESUMO Introdução Atualmente, mais pessoas preocupam-se com o exercício físico e as competições de natação, como evento esportivo de destaque, tornou-se foco de atenção. Tais competições exigem atenção especial aos seus atletas e o uso de algoritmos computacionais auxiliam nessa tarefa. Objetivo Projetar e validar um algoritmo para avaliação das alterações da capacidade vital e marcadores sanguíneos dos atletas após os jogos de natação baseados no aprendizado combinado. Métodos O algoritmo de integração de dados foi usado para analisar as mudanças de capacidade vital e ácido sanguíneo após competição de natação de aprendizado combinado, seguido à construção de um modelo de sistema de informação para calcular e processar esse algoritmo. Resultados Experiências comparativas mostram que o algoritmo de rede neural pode reduzir o tempo de cálculo a partir do tempo inicial original. Nos últimos testes levados à cabo em cerca de 10 segundos, isto reduziu muito o tempo total de cálculo. Conclusão De acordo com os requisitos do modelo do algoritmo projetado, foi demonstrada a ajuda prática pela construção de um modelo computacional. O algoritmo pode ser otimizado e selecionado de acordo com o modelo de cálculo, segundo a realidade da aplicação. Nível de evidência II; Estudos terapêuticos - investigação dos resultados do tratamento.

RESUMEN Introducción Hoy en día, cada vez más personas se preocupan por el ejercicio físico y las competiciones de natación, como evento deportivo destacado, se han convertido en un foco de atención. Estas competiciones requieren una atención especial para sus atletas y el uso de algoritmos computacionales ayuda en esta tarea. Objetivo Diseñar y validar un algoritmo para evaluar los cambios en la capacidad vital y los marcadores sanguíneos de los atletas después de los partidos de natación basado en el aprendizaje combinado. Métodos Se utilizó el algoritmo de integración de datos para analizar los cambios de la capacidad vital y la acidez de la sangre tras la competición de natación de aprendizaje combinado, seguido de la construcción de un modelo de sistema de información para calcular y procesar este algoritmo. Resultados Los experimentos comparativos muestran que el algoritmo de la red neuronal puede reducir el tiempo de cálculo con respecto al tiempo inicial. En las últimas pruebas realizadas en unos 10 segundos, esto redujo en gran medida el tiempo total de cálculo. Conclusión De acuerdo con los requisitos del modelo del algoritmo diseñado, se ha demostrado la ayuda práctica mediante la construcción de un modelo computacional. El algoritmo puede optimizarse y seleccionarse según el modelo de cálculo en función de la realidad de la aplicación. Nivel de evidencia II; Estudios terapéuticos - investigación de los resultados del tratamiento.

Swarm algorithms applied to fitness testing of athletes in competition / Algoritmos de enxame aplicados ao exame do condicionamento físico de atletas em competição / Algoritmos de enjambre aplicados a las pruebas de aptitud física de atletas en competición

ABSTRACT Introduction Many countries have increased their investments in human resources and technology for the internal development of competitive sports, leading the world sports scene to increasingly fierce competition. Coaches and research assistants must place importance on feedback tools for frequent training of college athletes, and deep learning algorithms are an important resource to consider. Objective To develop and validate a swarm algorithm to examine the fitness of athletes during periods of competition. Methods Based on the swarm intelligence algorithm, the concept, composition, and content of physical exercises were analyzed. Combined with the characteristics of events, the body function files and the comprehensive evaluation system for high-level athletes were established. Results The insight was obtained that the constant mastery of the most advanced techniques and tactics by athletes is an important feature of modern competitive sports. Physical fitness is not only a valuable asset for athletes but also one of the keys to success in competition. Conclusion Fitness has become an increasingly prominent issue in competition, and the scientific training of contemporary competitive sports has been increasingly refined. Level of evidence II; Therapeutic studies - investigation of treatment outcomes.

RESUMO Introdução Muitos países aumentaram seus investimentos em recursos humanos e tecnologia para o desenvolvimento interno de esportes competitivos, levando o cenário esportivo mundial a uma disputa cada vez mais acirrada. Treinadores e assistentes de pesquisa devem dar importância às ferramentas de feedback para o treinamento frequente dos atletas universitários e os algoritmos de aprendizado profundo são um importante recurso a ser levado em consideração. Objetivo Desenvolver e validar um algoritmo de enxame para examinar o condicionamento físico dos atletas em períodos de competição. Métodos Com base no algoritmo de inteligência de enxame, o conceito, composição e conteúdo de exercícios físicos foram analisados. Combinado com as características dos eventos, os arquivos de funções corporais e o sistema abrangente de avaliação de atletas de alto nível foram estabelecidos. Resultados Obteve-se a percepção de que o constante domínio das técnicas e táticas mais avançadas pelos atletas é uma característica importante dos esportes competitivos modernos. A aptidão física não é apenas um ativo valioso para os atletas, mas também uma das chaves para o sucesso nas competições. Conclusão A aptidão física tem se tornado cada vez mais um problema proeminente na competição, sendo o treinamento científico dos esportes competitivos contemporâneos cada vez mais aperfeiçoado. Nível de evidência II; Estudos terapêuticos - investigação dos resultados do tratamento.

RESUMEN Introducción Muchos países han aumentado sus inversiones en recursos humanos y tecnología para el desarrollo interno del deporte de competición, lo que ha llevado al panorama deportivo mundial a una competencia cada vez más feroz. Los entrenadores y asistentes de investigación deben dar importancia a las herramientas de retroalimentación para el entrenamiento frecuente de los atletas universitarios y los algoritmos de aprendizaje profundo son un recurso importante a tener en cuenta. Objetivo Desarrollar y validar un algoritmo de enjambre para examinar el estado físico de los atletas durante los periodos de competición. Métodos A partir del algoritmo de inteligencia de enjambre, se analizó el concepto, la composición y el contenido de los ejercicios físicos. En combinación con las características de los eventos, se establecieron los archivos de funciones corporales y el sistema de evaluación integral de los atletas de alto nivel. Resultados Se obtuvo la conclusión de que el dominio constante de las técnicas y tácticas más avanzadas por parte de los atletas es una característica importante de los deportes de competición modernos. La forma física no sólo es un activo valioso para los deportistas, sino también una de las claves del éxito en las competiciones. Conclusión La aptitud física se ha convertido en una cuestión cada vez más importante en la competición, y el entrenamiento científico de los deportes de competición contemporáneos es cada vez mejor. Nivel de evidencia II; Estudios terapéuticos - investigación de los resultados del tratamiento.

Investigation of tactile gait parameters based on deep learning of energy consumption estimation algorithm in sport / Investigação sobre parâmetros tácteis de marcha baseados no aprendizado profundo do algoritmo de estimativa de consumo energético no esporte / Investigación sobre los parámetros táctiles de marcha basados en el aprendizaje profundo del algoritmo de estimación del consumo de energía en el deporte

ABSTRACT Introduction In medicine, Deep Learning is a type of machine learning that aims to train computers to perform human tasks by simulating the human brain. Gait recognition and gait motion simulation is one of the most interesting research areas in the field of biometrics and can benefit from this technological feature. Objective To use Deep Learning to format and validate according to the dynamic characteristics of gait. Methods Gait was used for identity recognition, and gait recognition based on kinematics and dynamic gait parameters was performed through pattern recognition, including the position and the intensity value of maximum pressure points, pressure center point, and pressure ratio. Results The investigation shows that the energy consumption of gait as modeled analyzed, and the model of gait energy consumption can be obtained, which is comprehensively affected by motion parameters and individual feature parameters. Conclusion Real-time energy measurement is obtained when most people walk. The research shows that the gait frequency and body parameters obtained from the tactile parameters of gait biomechanics can more accurately estimate the energy metabolism of exercise and obtain the metabolic formula of exercise. There is a good application prospect for assessing energy metabolism through the tactile parameters of gait. Level of evidence II; Therapeutic studies - investigating treatment outcomes.

RESUMO Introdução Na medicina, o aprendizado profundo é um tipo de aprendizado de máquina que visa treinar computadores para a realização de tarefas humanas simulando o cérebro humano. O reconhecimento da marcha e a simulação do movimento de marcha são um dos pontos de maior interesse da investigação no campo da biometria e pode ser beneficiado com esse recurso tecnológico. Objetivo Utilizar o aprendizado profundo para formatar e validar, de acordo com as características dinâmicas da marcha. Métodos A marcha foi utilizada para o reconhecimento da identidade, e o reconhecimento da marcha baseado na cinemática e parâmetros dinâmicos de marcha foi realizado através do reconhecimento de padrões, incluindo a posição e o valor de intensidade dos pontos de pressão máxima, ponto central de pressão e relação de pressão. Resultados A investigação mostra que o consumo de energia da marcha como modelado analisado, e o modelo de consumo de energia da marcha pode ser obtido, o qual é afetado de forma abrangente pelos parâmetros de movimento e pelos parâmetros de características individuais. Conclusão A medição de energia em tempo real é obtida quando a maioria das pessoas caminha. A investigação mostra que a frequência da marcha e os parâmetros corporais obtidos a partir dos parâmetros tácteis da biomecânica da marcha podem estimar com maior precisão o metabolismo energético do exercício e obter a fórmula metabólica do exercício. Há uma boa perspectiva de aplicação para avaliar o metabolismo energético através dos parâmetros tácteis da marcha. Nível de evidência II; Estudos terapêuticos - investigação dos resultados do tratamento.

RESUMEN Introducción En medicina, el aprendizaje profundo es un tipo de aprendizaje que pretende entrenar a los ordenadores para que realicen tareas humanas simulando el cerebro humano. El reconocimiento de la marcha y la simulación de su movimiento es uno de los puntos más interesantes de la investigación en el campo de la biometría y puede beneficiarse de este recurso tecnológico. Objetivo Utilizar el aprendizaje profundo para formatear y validar según las características dinámicas de la marcha. Métodos Se utilizó la marcha para el reconocimiento de la identidad, y el reconocimiento de la marcha basado en la cinemática y los parámetros dinámicos de la marcha se realizó mediante el reconocimiento de patrones, incluyendo la posición y el valor de la intensidad de los puntos de presión máxima, el punto de presión central y la relación de presión. Resultados La investigación muestra que el consumo de energía de la marcha, tal y como se analizó, y el modelo de consumo de energía de la marcha se puede obtener, que es ampliamente afectado por los parámetros de movimiento y los parámetros de las características individuales. Conclusión La medición de la energía en tiempo real se obtiene cuando la mayoría de la gente camina. La investigación muestra que la frecuencia de la marcha y los parámetros corporales obtenidos a partir de los parámetros táctiles de la biomecánica de la marcha pueden estimar con mayor precisión el metabolismo energético del ejercicio y obtener la fórmula metabólica del mismo. Existe una buena perspectiva de aplicación para evaluar el metabolismo energético a través de los parámetros táctiles de la marcha. Nivel de evidencia II; Estudios terapéuticos - investigación de los resultados del tratamiento.

Retinal Lesion Segmentation Using Transfer Learning with an Encoder-Decoder CNN / Segmentación de Lesiones en la Retina Usando Transferencia de Conocimiento con CNN Encoder-Decoder

ABSTRACT Deep learning (DL) techniques achieve high performance in the detection of illnesses in retina images, but the majority of models are trained with different databases for solving one specific task. Consequently, there are currently no solutions that can be used for the detection/segmentation of a variety of illnesses in the retina in a single model. This research uses Transfer Learning (TL) to take advantage of previous knowledge generated during model training of illness detection to segment lesions with encoder-decoder Convolutional Neural Networks (CNN), where the encoders are classical models like VGG-16 and ResNet50 or variants with attention modules. This shows that it is possible to use a general methodology using a single fundus image database for the detection/segmentation of a variety of retinal diseases achieving state-of-the-art results. This model could be in practice more valuable since it can be trained with a more realistic database containing a broad spectrum of diseases to detect/segment illnesses without sacrificing performance. TL can help achieve fast convergence if the samples in the main task (Classification) and sub-tasks (Segmentation) are similar. If this requirement is not fulfilled, the parameters start from scratch.

RESUMEN Las técnicas de Deep Learning (DL) han demostrado un buen desempeño en la detección de anomalías en imágenes de retina, pero la mayoría de los modelos son entrenados en diferentes bases de datos para resolver una tarea en específico. Como consecuencia, actualmente no se cuenta con modelos que se puedan usar para la detección/segmentación de varias lesiones o anomalías con un solo modelo. En este artículo, se utiliza Transfer Learning (TL) con la cual se aprovecha el conocimiento adquirido para determinar si una imagen de retina tiene o no una lesión. Con este conocimiento se segmenta la imagen utilizando una red neuronal convolucional (CNN), donde los encoders o extractores de características son modelos clásicos como VGG-16 y ResNet50 o variantes con módulos de atención. Se demuestra así, que es posible utilizar una metodología general con bases de datos de retina para la detección/ segmentación de lesiones en la retina alcanzando resultados como los que se muestran en el estado del arte. Este modelo puede ser entrenado con bases de datos más reales que contengan una gama de enfermedades para detectar/ segmentar sin sacrificar rendimiento. TL puede ayudar a conseguir una convergencia rápida del modelo si la base de datos principal (Clasificación) se parece a la base de datos de las tareas secundarias (Segmentación), si esto no se cumple los parámetros básicamente comienzan a ajustarse desde cero.

Artificial Intelligence in Radiology: an introduction to the most important concepts.

The interpretation of medical imaging tests is one of the main tasks that radiologists do. For years, it has been a challenge to teach computers to do this kind of cognitive task; the main objective of the field of computer vision is to overcome this challenge. Thanks to technological advances, we are now closer than ever to achieving this goal, and radiologists need to become involved in this effort to guarantee that the patient remains at the center of medical practice. This article clearly explains the most important theoretical concepts in this area and the main problems or challenges at the present time; moreover, it provides practical information about the development of an artificial intelligence project in a radiology department.

Inteligencia artificial en Radiología: introducción a los conceptos más importantes / Artificial Intelligence in Radiology: an introduction to the most important concepts

La interpretación de la imagen médica es una de las principales tareas que realiza el radiólogo. Conseguir que los ordenadores sean capaces de realizar este tipo de tareas cognitivas ha sido, durante años, un reto y a la vez un objetivo en el campo de la visión artificial. Gracias a los avances tecnológicos estamos ahora más cerca que nunca de conseguirlo y los radiólogos debemos involucrarnos en ello para garantizar que el paciente siga siendo el centro de la práctica médica. Este artículo explica de forma clara los conceptos teóricos más importantes de esta área y los principales problemas o retos actuales; además, aporta información práctica en relación con el desarrollo de un proyecto de inteligencia artificial en un servicio de Radiología.(AU)

The interpretation of medical imaging tests is one of the main tasks that radiologists do. For years, it has been a challenge to teach computers to do this kind of cognitive task; the main objective of the field of computer vision is to overcome this challenge. Thanks to technological advances, we are now closer than ever to achieving this goal, and radiologists need to become involved in this effort to guarantee that the patient remains at the center of medical practice. This article clearly explains the most important theoretical concepts in this area and the main problems or challenges at the present time; moreover, it provides practical information about the development of an artificial intelligence project in a radiology department.(AU)

Deep learning representations to support COVID-19 diagnosis on CT slices / Representaciones basadas en aprendizaje profundo como apoyo del diagnóstico de la COVID-19 en cortes de tomografía computarizada

Introduction: The coronavirus disease 2019 (COVID-19) has become a significant public health problem worldwide. In this context, CT-scan automatic analysis has emerged as a COVID-19 complementary diagnosis tool allowing for radiological finding characterization, patient categorization, and disease follow-up. However, this analysis depends on the radiologist's expertise, which may result in subjective evaluations. Objective: To explore deep learning representations, trained from thoracic CT-slices, to automatically distinguish COVID-19 disease from control samples. Materials and methods: Two datasets were used: SARS-CoV-2 CT Scan (Set-1) and FOSCAL clinic's dataset (Set-2). The deep representations took advantage of supervised learning models previously trained on the natural image domain, which were adjusted following a transfer learning scheme. The deep classification was carried out: (a) via an end-to-end deep learning approach and (b) via random forest and support vector machine classifiers by feeding the deep representation embedding vectors into these classifiers. Results: The end-to-end classification achieved an average accuracy of 92.33% (89.70% precision) for Set-1 and 96.99% (96.62% precision) for Set-2. The deep feature embedding with a support vector machine achieved an average accuracy of 91.40% (95.77% precision) and 96.00% (94.74% precision) for Set-1 and Set-2, respectively. Conclusion: Deep representations have achieved outstanding performance in the identification of COVID-19 cases on CT scans demonstrating good characterization of the COVID-19 radiological patterns. These representations could potentially support the COVID-19 diagnosis in clinical settings.

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. 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. 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. 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. 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.

A comparative study of visual assessment between dry bone, 2-dimensional photograph, and deep learning methods in sex classification on the auricular area of the os coxae in a Thai population / Un estudio comparativo de la evaluación visual entre el hueso seco, la fotografía bidimensional y los métodos de aprendizaje profundo en la clasificación del sexo en el área auricular del hueso coxal en una población tailandesa

SUMMARY: Sex assessment is an important process in forensic identification. A pelvis is the best skeletal element for identifying sexes due to its sexually dimorphic morphology. This study aimed to compare the accuracy of the visual assessment in dry bones as well as 2D images and to test the accuracy of using a deep convolutional neural network (GoogLeNet) for increasing the performance of a sex determination tool in a Thai population. The total samples consisted of 250 left os coxa that were divided into 200 as a 'training' group (100 females, 100 males) and 50 as a 'test' group. In this study, we observed the auricular area, both hands-on and photographically, for visual assessment and classified the images using GoogLeNet. The intra-inter observer reliabilities were tested for each visual assessment method. Additionally, the validation and test accuracies were 85, 72 percent and 79.5, 60 percent, for dry bone and 2D image methods, respectively. The intra- and inter-observer reliabilities showed moderate agreement (Kappa = 0.54 - 0.67) for both visual assessments. The deep convolutional neural network method showed high accuracy for both validation and test sets (93.33 percent and 88 percent, respectively). Deep learning performed better in classifying sexes from auricular area images than other visual assessment methods. This study suggests that deep learning has advantages in terms of sex classification in Thai samples.

RESUMEN: La evaluación del sexo es un proceso importante en la identificación forense. La pelvis es el mejor elemento esquelético para identificar sexos debido a su morfología sexualmente dimórfica. Este estudio tuvo como objetivo comparar la precisión de la evaluación visual en huesos secos, así como imágenes 2D y probar la precisión del uso de una red neuronal convolucional profunda (GoogLeNet) para aumentar el rendimiento de una herramienta de determinación de sexo en una población tailandesa. Las muestras consistieron en 250 huesos coxales izquierdos, los que fueron dividi- das de la siguiente manera: 200 como un grupo de "entrenamiento" (100 mujeres, 100 hombres) y 50 como un grupo de "prueba". En este estudio, observamos el área auricular, tanto de forma práctica como fotográfica, para una evaluación visual y clasificamos las imágenes utilizando GoogLeNet. Se analizó la confiabilidad intra-interobservador para cada método de evaluación visual. Además, las precisiones de validación y prueba fueron del 85, 72 por ciento y 79,5, 60 por ciento, para los métodos de hueso seco y de imágenes 2D, respectivamente. Las confiabilidades intra e interobservador mostraron un acuerdo moderado (Kappa = 0.54 - 0.67) para ambas evaluaciones visuales. El método de red neuronal convolucional profunda mostró una alta precisión tanto para la validación como para los conjuntos de prueba (93,33 por ciento y 88 por ciento, respectivamente). El aprendizaje se desempeñó mejor en la clasificación de sexos a partir de imágenes del área auricular que otros métodos de evaluación visual. Este estudio sugiere que el aprendizaje profundo tiene ventajas en términos de clasificación por sexo en muestras tailandesas.

Huellas dactilares como predictores de la esquizofrenia: un estudio de aprendizaje profundo / Fingerprints as Predictors of Schizophrenia: A Deep Learning Study

El vínculo existente entre la formación de huellas dactilares y el crecimiento del sistema nervioso central apunta a un uso potencial delas huellas dactilares como marcadores de riesgo en la esquizofrenia.Sin embargo, la elevada complejidad de los patrones geométricos delas huellas dactilares requiere algoritmos flexibles capaces de caracterizar dicha complejidad. A partir de una muestra inicial de huellasdactilares escaneadas de 612 pacientes con diagnóstico de psicosisno afectiva y 844 sujetos sanos, hemos construido algoritmos declasificación de aprendizaje profundo basados en redes neuronalesconvolucionales. Previamente, se eligió la arquitectura general de lared a partir de ajustes exploratorios realizados con un conjunto dedatos independiente de huellas dactilares del National Institute ofStandards and Technology. A continuación, la arquitectura de la redse aplicó para construir algoritmos de clasificación (paciente frentea controles) basados en modelos de un solo dedo y en modelos devarios dedos. Se obtuvieron estimaciones de la precisión de la clasificación aplicando un esquema de validación cruzada quíntuple.El mayor nivel de precisión de las redes basadas en un solo dedo loalcanzó la red del pulgar derecho (precisión = 68%), mientras quela mayor precisión de los modelos multientrada la obtuvo el modeloque utilizó simultáneamente imágenes de los dedos pulgar, índice ycorazón izquierdos (precisión = 70%). Aunque los modelos ajustadosse basaron en datos de pacientes con un diagnóstico bien establecido, dado que las huellas dactilares permanecen estables durantetoda la vida después del nacimiento, nuestros resultados implicanque las huellas dactilares pueden aplicarse como predictores tempranos de psicosis. Especialmente, si se utilizan en subpoblacionescon alta prevalencia de esquizofrenia, como las de personas con alto riesgo de psicosis. (AU)

The link between fingerprint generation and central nervous system growth points to a potential use of fingerprints as risk markersin schizophrenia. However, the high complexity of fingerprint geometric patterns requires flexible algorithms capable of characterizing such complexity. From an initial sample of fingerprints scanned from 612 patients diagnosed with non-affective psychosis and844 healthy subjects, we have built deep learning classification algorithms based on convolutional neural networks. Previously, thegeneral network architecture was chosen from exploratory fittingsperformed on an independent fingerprint dataset from the National Institute of Standards and Technology. The network architecturewas then applied for buinding classification algorithms (patientsvs. controls) based on single-finger models and multi-finger models. Classification accuracy estimates were obtained by applyinga 5-fold cross-validation scheme. The highest level of accuracy ofthe single-finger-based networks was achieved by the right thumbnetwork (accuracy = 68%), whereas the highest accuracy of themulti-input models was obtained by the model that simultaneouslyused images of the left thumb, index and middle fingers (accuracy =70%). Although the fitted models were based on data from patientswith a well-established diagnosis, given that fingerprints remainstable throughout life after birth, our results imply that fingerprintscan be applied as early predictors of psychosis. Especially, if usedin subpopulations with high prevalence of schizophrenia, such as those at high risk for psychosis. (AU)

Detección de la tuberculosis con algoritmos de Deep Learning en imágenes de radiografías del tórax / Tuberculosis detection with deep learning algorithms in chest X-ray images / Detecção de tuberculose com algoritmos de aprendizagem profunda em imagens de raio-X do tórax

Se estima que en 2019 murieron alrededor de 1,4 millones de personas infectadas por tuberculosis, gran parte de ellos en países en desarrollo. Si la tuberculosis se hubiera diagnosticado oportunamente se habría evitado la muerte de las personas infectadas. Uno de los métodos de detección de tuberculosis más relevante es el análisis de radiografías del tórax; sin embargo, contar con profesionales altamente capacitados para el diagnóstico de la tuberculosis en todos los centros de salud es imposible en los países emergentes, este es uno de los principales motivos de que este método no sea ampliamente usado. En las últimas décadas las redes neuronales han tenido un papel muy relevante en la solución de problemas de la sociedad y en especial en el sector salud. Se ha empleado tres algoritmos de aprendizaje profundo reconocidos en el desarrollo de visión computacional que son VGG19, MobileNet e InceptionV3, se ha logrado obtener resultados muy auspiciosos para la detección de la tuberculosis. Caso especial ha sido MobileNet que ha destacado entre las demás, dando resultados importantes en las diferentes métricas de evaluación empleadas. Además, MobileNet cuenta con una arquitectura menos compleja y los pesos obtenidos después del entrenamiento son muy menores en comparación de los otros dos algoritmos. Se concluye que MobileNet es el algoritmo de Deep Learning más eficiente a comparación de VGG19 e InceptionV3, cuenta con mejor precisión para la detección de la tuberculosis y; el costo computación y tiempo de procesamiento es significativamente menor.

It is estimated that around 1.4 million people infected with tuberculosis died in 2019, most of them in developing countries. If tuberculosis had been diagnosed in time, the death of infected people would have been prevented. One of the most relevant tuberculosis detection methods is the analysis of chest radiographs; However, having highly trained professionals for the diagnosis of tuberculosis in all health centers is impossible in emerging countries, this is one of the main reasons why this method is not widely used. In recent decades, neural networks have played a very relevant role in solving problems in society and especially in the health sector. Three recognized Deep Learning algorithms have been used in the development of computational vision that are VGG19, MobileNet and InceptionV3, it has been possible to obtain very auspicious results for the detection of tuberculosis. MobileNet has been a special case, which has stood out among the others, giving important results in the different evaluation metrics used. In addition, MobileNet has a less complex architecture and the weights obtained after training are very less compared to the other two algorithms. It is concluded that MobileNet is the most efficient Deep Learning algorithm compared to VGG19 and InceptionV3, it has better precision for the detection of tuberculosis and the computational cost and processing time is significantly lower.

Estima-se que cerca de 1,4 milhão de pessoas infectadas com tuberculose morreram em 2019, a maioria delas em países em desenvolvimento. Se a tuberculose tivesse sido diagnosticada a tempo, a morte de pessoas infectadas teria sido evitada. Um dos métodos de detecção de tuberculose mais relevantes é a análise de radiografias de tórax; No entanto, ter profissionais altamente capacitados para o diagnóstico da tuberculose em todos os centros de saúde é impossível nos países emergentes, esse é um dos principais motivos pelo qual esse método não é amplamente utilizado. Nas últimas décadas, as redes neurais têm desempenhado um papel muito relevante na resolução de problemas na sociedade e principalmente no setor da saúde. Três algoritmos de aprendizado profundo reconhecidos foram usados no desenvolvimento da visão computacional que são VGG19, MobileNet e InceptionV3, sendo possível obter resultados muito auspiciosos para a detecção da tuberculose. A MobileNet tem sido um caso especial, que tem se destacado entre os demais, apresentando resultados importantes nas diferentes métricas de avaliação utilizadas. Além disso, o MobileNet possui uma arquitetura menos complexa e os pesos obtidos após o treinamento são muito menores em comparação com os outros dois algoritmos. Conclui-se que o MobileNet é o algoritmo de aprendizado profundo mais eficiente em comparação ao VGG19 e ao InceptionV3, possui melhor precisão para detecção de tuberculose e; o custo de computação e o tempo de processamento são significativamente menores.