Estudio de la variabilidad inter-técnica de herramientas software para el diagnóstico de la COVID-19 basadas en algoritmos de aprendizaje máquina

Abstract

[ES] La enfermedad por coronavirus (COVID-19) ha evolucionado y se ha expandido desde su brote en la ciudad de Wuhan, China en diciembre de 2019 hasta ser confirmada por la Organización Mundial de la Salud (OMS) en marzo, 2020 como pandemia mundial. Esta enfermedad es causada por el nuevo coronavirus identificado como síndrome respiratorio agudo grave coronavirus 2 (SARS-CoV-2) y debido a su alta tasa de reproducción y a su naturaleza infecciosa ha infectado hasta abril de 2021 a más de 130 millones de personas en el mundo.

La detección de los pacientes infectados de forma rápida y precisa es crucial para frenar el avance de la enfermedad. El estándar para diagnosticar pacientes con coronavirus son las pruebas RT-PCR (¿Reverse Transcription-Polymerase Chain Reaction¿), un método rápido con un nivel de precisión limitado. Debido a sus limitaciones, se utilizan también estrategias de diagnóstico por imagen como la tomografía computarizada (TC) cuya sensibilidad de detección es mayor pero cuyo nivel de precisión diagnóstica queda de igual forma limitado.

En dicho contexto surge la necesidad de desarrollar herramientas de detección automática basadas en técnicas de aprendizaje profundo como métodos complementarios que podrían ser eficientes para diagnosticar, así como para evaluar el pronóstico o la evolución de los pacientes con mayor precisión y exactitud.

Por ello, el objetivo de este Trabajo Fin de Grado es el estudio de la variabilidad inter-técnica entre herramientas comerciales basadas en algoritmos de aprendizaje profundo para la detección y clasificación automática de la COVID-19. Se han seleccionado varias herramientas comerciales disponibles en ASCIRES Grupo Biomédico, con quien se ha desarrollado el presente Trabajo Fin de Grado. Se han analizado un total de 120 sujetos: 40 sujetos diagnosticados de COVID-19, 40 diagnosticados con neumonía y 40 sujetos control sin patologías pulmonares relacionadas, todos procedentes de la base de datos proporcionada por la empresa ASCIRES.

Las imágenes de TC han sido evaluadas por las herramientas software y, a partir de la uniformización de los resultados, se ha llevado a cabo el análisis estadístico que ha permitido evaluar parámetros de sensibilidad, especificidad y variabilidad inter-técnica.

Se han analizado las discrepancias y concordancias de los resultados entre herramientas comerciales en cuanto al volumen de opacidad detectado en los lóbulos pulmonares, así como la concordancia del diagnóstico del software con los estudios radiológicos de los sujetos, que han sido tomados como referencia.

[EN] Coronavirus disease (COVID-19) has evolved and expanded since its outbreak in the city of Wuhan, China in December 2019 until being confirmed by the World Health Organization (WHO) in March 2020 as a global pandemic. This disease is caused by the new coronavirus, identified as severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2) and due to its high reproduction rate and infectious nature, it has infected over 130 million people worldwide until April 2021.

The detection of infected patients in a quick and accurate way is crucial to slow down the spread of the disease. The standard for diagnosing coronavirus patients are RT-PCR (Reverse Transcription-Polymerase Chain Reaction) tests, a rapid method with a limited precision level. Due to its limitations, complementary strategies such as image diagnosis through computed tomography (CT) scans are used. Although its sensitivity of detection is higher, its diagnostic accuracy stays as limited as in RT-PCR.

In that context, we encounter the need to develop automatic detection tools based on deep learning techniques as complementary methods which could be efficient to diagnose or to assess the prognosis or evolution of patients with greater precision and accuracy.

Therefore, the main target of this bachelor¿s thesis is the study of the inter-technical variability between commercial software tools based on deep learning algorithms for the automatic detection and classification of COVID-19. Several commercial tools available at ASCIRES Grupo Biomédico have been selected, with whom the present bachelor¿s thesis has been developed. A total of 120 subjects have been analyzed: 40 subjects diagnosed with COVID-19, 40 diagnosed with pneumonia and 40 subjects as a control group without related pulmonary pathologies, all of which come from the database provided by the ASCIRES company.

CT images have been evaluated by software tools and based on the standardization of the results; the statistical analysis has been carried out. It has allowed us to evaluate parameters of sensitivity, specificity, and inter-technical variability.

Discrepancies and concordances of the results between commercial tools have been analyzed regarding opacity volumes detected in pulmonary lobes, as well as the concordance of the software diagnosis with the radiological studies of the subjects, taken as a reference.

[CA] La infermetat per coronavirus (COVID-19) ha evolucionat i s’ha expandit des del brot a la ciutat de Wuhan, Xina a desembre de 2019 fins a ser confirmada per la Organització Mundial de la Salut (OMS) a Març, 2020 com a pandèmia mundial. Aquesta malaltia és provocada pel nou coronavirus identificat com a síndrome respiratori agut greu coronavirus 2 (SARS-CoV-2) i degut a l’alta taxa de reproducció i a la seva naturalesa infecciosa ha infectat fins a abril de 2021 a més de 130 milions de persones en el món. La detecció dels pacients infectats de forma ràpida i precisa es crucial per tal de frenar l’avanç de la infermetat. L’estàndard per a diagnosticar pacients amb coronavirus són les proves RT-PCR (“Reverse Transcription-Polymerase Chain Reaction”), un mètode ràpid amb un nivell de precisió limitat. Degut a les limitacions, també s’utilitzen estratègies de diagnòstic per imatge com la tomografia computeritzada (TC), la qual presenta una sensibilitat de detecció major encara que el nivell de precisió diagnòstica queda igualment limitat. En aquest context sorgeix la necessitat de desenvolupar ferramentes de detecció automàtica basades en tècniques d’aprenentatge profund com a mètodes complementaris que podrien ser eficients per a diagnosticar així com per a avaluar el pronòstic o l’evolució dels pacients amb major precisió i exactitud. L’objectiu d’aquest Treball Fi de Grau es l’estudi de la variabilitat inter-tècnica entre ferramentes comercials basades en algoritmes d’aprenentatge profund per a la detecció i la classificació automàtic de la COVID-19. S’han seleccionat diverses ferramentes disponibles a ASCIRES Grupo Biomédico amb qui es s’ha desenvolupat aquest Treball Fi de Grau. Un total de 120 subjectes han sigut analitzats: 40 diagnosticats de COVID-19, 40 diagnosticats amb pneumònia i 40 subjectes control sense patologies pulmonars relacionades, tots procedents de la base de dades proporcionada per l’empresa ASCIRES. Les imatges de TC han sigut avaluades per les ferramentes software i, a partir de la uniformització dels resultats, s’ha fet l’anàlisi estadístic que ens ha permès avaluar paràmetres de sensibilitat, especificitat i variabilitat inter-tècnica. S’han analitzat les concordances i discrepàncies quant al volum d’opacitat detectat als lòbuls pulmonars així com la concordança quant al diagnòstic del software amb els estudis radiològics dels subjectes, que s’han agafat com a referència.