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.

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.

Ambiente virtual de aprendizaje para la capacitación en la toma de la prueba de Papanicolaou / The virtual learning environment for training in taking Papanicolaou test

Resumen Introducción: El uso de tecnologías de información y comunicación facilitan los procesos educativos, permitiendo interacción desde diferentes lugares y en tiempos diversos, facilitando el autoaprendizaje y aprendizaje colaborativo. Se ha incorporado en ámbito de salud y adoptado por centros oncológicos en diferentes países. Objetivo: Diseñar y evaluar un ambiente virtual de aprendizaje para la actualización, capacitación y soporte de personal de enfermería en la realización de la prueba de Papanicolaou, en apoyo al plan nacional de prevención de cáncer de cuello uterino. Material y Métodos: Se creó un ambiente virtual de aprendizaje soportado por el Sistema de Gestión de Aprendizaje Moodle, siguiendo el modelo metodológico de diseño instruccional ADDIE. Además, se realizó prueba de usabilidad, mediante encuesta tipo Likert para evaluar facilidad de aprendizaje, satisfacción y atractividad. Resultados: Se incorporó la temática del curso que abarca tres fases principales: (a) Introducción al curso: para ubicar al estudiante en la asignatura, se presenta el perfil docente, se establecen las normas del mismo y la forma de evaluación. (b) Desarrollo de las Unidades de Aprendizaje: constituidas por objetos de aprendizaje y (c) Evaluación, discusión y socialización de puntos de vista, resolución de problemas. Conclusiones: El ambiente virtual de aprendizaje se ajusta a las necesidades específicas de capacitación en la técnica de toma de la prueba de Papanicolaou convencional y cumple con las características descritas en la literatura: granulidad, flexibilidad pedagógica, formalización, autocontenibilidad y usabilidad.

Abstract Introduction: The use of information and communication technologies, facilitate educational processes, allowing interaction from different places and at different times, facilitating self-learning and collaborative learning. It has been incorporated into a health area and adopted by oncological centers in different countries. Objective: To design and evaluate an interactive Virtual Learning Environment (VLE) in order to update, train and support of nursing staff, in the performance of the Pap test, in support of the National Plan for Cervical Cancer Prevention. Material and Method: A virtual learning environment was created, supported by the Moodle Learning Management System, following the methodological model of instructional design ADDIE. In addition, a usability test was carried out, using a Likert-type survey to assess ease of learning, satisfaction and attractiveness. Results: The content of the course was included in three main phases: (a) Course Introduction: to introduce the students to the course, the teaching profile is presented, the norms of the same and the form of evaluation are established. (b) Development of Learning Units: Made from learning objects. (c) Evaluation, discussion and sharing of points of view and solving problems. Conclusions: The virtual learning environment is adjusted to the specific needs of training in the technique of conventional pap smear test and meets the characteristics described in the literature: granulity, pedagogical flexibility, formalization, self-sustainability and usability.