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.

Sobrevida en pacientes con cancer de laringe atendidos en un hospital de tercer nivel. Manizalez 1986-1998 / Life span and Larinx C A in Hospital de Caldas 1986-1998

Se realizó un estudio descriptivo entre los años 1986 y 1998, en el cual se estudiaron 72 pacientes con diagnóstico de cáncer de laringe atendidos en la consulta externa del Hospital de Caldas-Manizales, Colombia, con el objetivo de conocer los aspectos demográficos, clínicos y de sobrevida.Entre los principales resultados se encontró una frecuencia del 81.9 por ciento de hombres, de edad promedio de 62.9 años. Se encontró una alta relación con antecedentes de tabaquismo. Dentro del cuadro clínico se destaca la disfonía, la disfagia y la dificultad respiratoria como los principales síntomas. El tiempo de evolución de síntomas antes del diagnóstico fue de 7.4 meses. La localización del tumor fue glótica (50 por ciento) y supraglótica (46 por ciento). La sobrevida general fue de 16 por ciento a los cinco años, 34.4 por ciento a los dos años y de 50 por ciento a un año. El principal factor que modificó la sobrevida en los mismos tiempos fue la etapa al momento del diagnóstico, determinando sobrevida de 58 y 14 por ciento a los cinco años cuando se diagnosticó el tumor en etapas dos y tres respectivamente (p < 0.05). Los tratamientos realizados fueron básicamente radioterapia, cirugía o la combinación de ellas, sin establecerse una relación importante estadística o clínica entre los diferentes tratamientos. A manera de conclusión se puede establecer que esta neoplasia presenta una prelación en hombres mayores de 60 años que tienen antecedentes de tabaquismo, con lesiones glóticas o supraglóticas de tipo carcinomatoso, quienes pueden alcanzar una supervivencia hasta del 58 por ciento a los cinco años si el diagnóstico se hace en estadios tempranos de la enfermedad

Carcinoma mucoepidermoide de parotida en poblacion pediatrica. Reporte de un caso y revision de la literatura / Mucoepidermoide carcinoma in Child. Report one case and revisal of literature

El cáncer de glándulas salivares mayores es una patología poco frecuente en la población infantil, siendo el tipo más frecuente el carcinoma mucoepidermoide usualmente de bajo grado de malignidad. Dada su baja presentación, el manejo usualmente se ha extrapolado al de la población adulta. Se presenta el caso de un paciente de dos años de edad con carcinoma mucoepidermoide de alto grado de malignidad, con compromiso del espacio parafaríngeo, manejado por el grupo de cirugía de cabeza y cuello del Hospital y Universidad de Caldas. Se realiza tratamiento quirúrgico con parotidectomía total, preservación del nervio facial faringectomía lateral y vaciamiento radical modificado de cuello. El postoperatorio evoluciona satisfactoriamente, desarrolla fístula faríngea que es manejada con nutrición enteral hasta su cierre. Se realiza radioterapia postoperatoria, con buena evolución