DeepSARS: Sistema de aprendizaje profundo automático para la identificación temprana y seguimiento de pacientes con riesgo de síndrome de distrés respiratorio agudo

El sistema DeepSARS fue propuesto y desarrollado con el propósito de asistir la identificación temprana y seguimiento de pacientes con riesgo de síndrome de distrés respiratorio agudo producido por COVID-19. Principalmente, el sistema realiza el aprendizaje profundo de patrones visuales relevantes p...

Full description

Autores:
Martínez Carrillo, Fabio
Tipo de recurso:
Investigation report
Fecha de publicación:
2020
Institución:
Universidad Autónoma de Bucaramanga - UNAB
Repositorio:
Repositorio UNAB
Idioma:
spa
OAI Identifier:
oai:repository.unab.edu.co:20.500.12749/21582
Acceso en línea:
http://hdl.handle.net/20.500.12749/21582
Palabra clave:
Deep learning models
Chest imaging
Adult respiratory distress syndrome
Respiratory insufficiency
Respiratory diseases
Breathing disorders
Síndrome de distrés respiratorio de adultos
Insuficiencia respiratoria
Enfermedades respiratorias
Trastornos de la respiración
Modelos de aprendizaje profundo
Imágenes torácicas
Rights
License
http://creativecommons.org/licenses/by-nc-nd/2.5/co/
id UNAB2_a543925607b02192dbf24fa307e28e36
oai_identifier_str oai:repository.unab.edu.co:20.500.12749/21582
network_acronym_str UNAB2
network_name_str Repositorio UNAB
repository_id_str
dc.title.spa.fl_str_mv DeepSARS: Sistema de aprendizaje profundo automático para la identificación temprana y seguimiento de pacientes con riesgo de síndrome de distrés respiratorio agudo
dc.title.translated.spa.fl_str_mv DeepSARS: Automatic deep learning system for early identification and tracking of patients at risk of acute respiratory distress syndrome
title DeepSARS: Sistema de aprendizaje profundo automático para la identificación temprana y seguimiento de pacientes con riesgo de síndrome de distrés respiratorio agudo
spellingShingle DeepSARS: Sistema de aprendizaje profundo automático para la identificación temprana y seguimiento de pacientes con riesgo de síndrome de distrés respiratorio agudo
Deep learning models
Chest imaging
Adult respiratory distress syndrome
Respiratory insufficiency
Respiratory diseases
Breathing disorders
Síndrome de distrés respiratorio de adultos
Insuficiencia respiratoria
Enfermedades respiratorias
Trastornos de la respiración
Modelos de aprendizaje profundo
Imágenes torácicas
title_short DeepSARS: Sistema de aprendizaje profundo automático para la identificación temprana y seguimiento de pacientes con riesgo de síndrome de distrés respiratorio agudo
title_full DeepSARS: Sistema de aprendizaje profundo automático para la identificación temprana y seguimiento de pacientes con riesgo de síndrome de distrés respiratorio agudo
title_fullStr DeepSARS: Sistema de aprendizaje profundo automático para la identificación temprana y seguimiento de pacientes con riesgo de síndrome de distrés respiratorio agudo
title_full_unstemmed DeepSARS: Sistema de aprendizaje profundo automático para la identificación temprana y seguimiento de pacientes con riesgo de síndrome de distrés respiratorio agudo
title_sort DeepSARS: Sistema de aprendizaje profundo automático para la identificación temprana y seguimiento de pacientes con riesgo de síndrome de distrés respiratorio agudo
dc.creator.fl_str_mv Martínez Carrillo, Fabio
dc.contributor.author.none.fl_str_mv Martínez Carrillo, Fabio
dc.contributor.cvlac.spa.fl_str_mv Martínez Carrillo, Fabio [0000738018]
dc.contributor.googlescholar.spa.fl_str_mv Martínez Carrillo, Fabio [es&oi=ao]
dc.subject.keywords.spa.fl_str_mv Deep learning models
Chest imaging
Adult respiratory distress syndrome
Respiratory insufficiency
Respiratory diseases
Breathing disorders
topic Deep learning models
Chest imaging
Adult respiratory distress syndrome
Respiratory insufficiency
Respiratory diseases
Breathing disorders
Síndrome de distrés respiratorio de adultos
Insuficiencia respiratoria
Enfermedades respiratorias
Trastornos de la respiración
Modelos de aprendizaje profundo
Imágenes torácicas
dc.subject.lemb.spa.fl_str_mv Síndrome de distrés respiratorio de adultos
Insuficiencia respiratoria
Enfermedades respiratorias
Trastornos de la respiración
dc.subject.proposal.spa.fl_str_mv Modelos de aprendizaje profundo
Imágenes torácicas
description El sistema DeepSARS fue propuesto y desarrollado con el propósito de asistir la identificación temprana y seguimiento de pacientes con riesgo de síndrome de distrés respiratorio agudo producido por COVID-19. Principalmente, el sistema realiza el aprendizaje profundo de patrones visuales relevantes para identificar COVID-19 sobre estudios radiológicos de tórax, digitalizados en secuencias de Tomografía Computarizada (CT) y Rayos X (Rx). Durante el desarrollo del proyecto se lograron desarrollar con éxito un total de 9 modelos, con diferentes propósitos, y codificados para operar en los dos tipos de imágenes radiológicas. Estos modelos realizan las siguientes tareas: detectar si un estudio presenta COVID-19 teniendo en cuenta información 2D o 3D, extraer hallazgos o regiones relevantes donde está expresada la enfermedad, y clasificar si un estudio presenta síndrome respiratorio agudo. Adicionalmente, se desarrollaron dos modelos, uno multimodal que usa los síntomas y signos presentados por el paciente para mejorar la detección de casos con COVID-19, y el modelo restante que estratifica el grado de compromiso o evolución del COVID-19 sobre el estudio radiológico de un paciente.
publishDate 2020
dc.date.issued.none.fl_str_mv 2020
dc.date.accessioned.none.fl_str_mv 2023-08-31T19:20:07Z
dc.date.available.none.fl_str_mv 2023-08-31T19:20:07Z
dc.type.eng.fl_str_mv Research report
dc.type.coar.fl_str_mv http://purl.org/coar/resource_type/c_8042
dc.type.driver.spa.fl_str_mv info:eu-repo/semantics/workingPaper
dc.type.local.spa.fl_str_mv Informe de investigación
dc.type.coar.none.fl_str_mv http://purl.org/coar/resource_type/c_18ws
dc.type.hasversion.spa.fl_str_mv info:eu-repo/semantics/acceptedVersion
dc.type.redcol.spa.fl_str_mv http://purl.org/redcol/resource_type/IFI
format http://purl.org/coar/resource_type/c_18ws
status_str acceptedVersion
dc.identifier.uri.none.fl_str_mv http://hdl.handle.net/20.500.12749/21582
dc.identifier.instname.spa.fl_str_mv instname:Universidad Autónoma de Bucaramanga - UNAB
dc.identifier.reponame.spa.fl_str_mv reponame:Repositorio Institucional UNAB
dc.identifier.repourl.spa.fl_str_mv repourl:https://repository.unab.edu.co
url http://hdl.handle.net/20.500.12749/21582
identifier_str_mv instname:Universidad Autónoma de Bucaramanga - UNAB
reponame:Repositorio Institucional UNAB
repourl:https://repository.unab.edu.co
dc.language.iso.spa.fl_str_mv spa
language spa
dc.relation.references.spa.fl_str_mv 1: Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster r-cnn: Towards real-time object detection with region proposal networks. In Advances in neural information processing systems (pp. 91-99)
2: Salvador, A., Giró-i-Nieto, X., Marqués, F., & Satoh, S. I. (2016). Faster r-cnn features for instance search. In Proceedings of the IEEE conference on computer vision and pattern recognition workshops (pp. 9-16).
3: Boyd, K., Eng, K. H., & Page, C. D. (2013, September). Area under the precision-recall curve: point estimates and confidence intervals. In Joint European conference on machine learning and knowledge discovery in databases (pp. 451-466). Springer, Berlin, Heidelberg.
4: Wang, Z., Simoncelli, E. P., & Bovik, A. C. (2003, November). Multiscale structural similarity for image quality assessment. In The Thrity-Seventh Asilomar Conference on Signals, Systems & Computers, 2003 (Vol. 2, pp. 1398-1402). Ieee.
5: Horadam, K. J., & Nyblom, M. A. (2014). Distances between sets based on set commonality. Discrete Applied Mathematics, 167, 310-314
6: Kermack, William Ogilvy, A. G. McKendrick, and Gilbert Thomas Walker. “A Contribution to the Mathematical Theory of Epidemics.” Proceedings of the Royal Society of London. Series A, Containing Papers of a Mathematical and Physical Character 115, no. 772 (August 1, 1927): 700–721. https://doi.org/10.1098/rspa.1927.0118
7: Li, Qun, Xuhua Guan, Peng Wu, Xiaoye Wang, Lei Zhou, Yeqing Tong, Ruiqi Ren, et al. “Early Transmission Dynamics in Wuhan, China, of Novel Coronavirus–Infected Pneumonia.” New England Journal of Medicine 382, no. 13 (March 26, 2020): 1199–1207. https://doi.org/10.1056/NEJMoa2001316
8: Chen, Tian-Mu, Jia Rui, Qiu-Peng Wang, Ze-Yu Zhao, Jing-An Cui, and Ling Yin. “A Mathematical Model for Simulating the Phase-Based Transmissibility of a Novel Coronavirus.” Infectious Diseases of Poverty 9, no. 1 (February 28, 2020): 24. https://doi.org/10.1186/s40249-020-00640-3.
9: Korolev, Ivan. “Identification and Estimation of the SEIRD Epidemic Model for COVID-19.” Journal of Econometrics, July 30, 2020. https://doi.org/10.1016/j.jeconom.2020.07.038.
10: “Monitoring Italian COVID-19 Spread by a Forced SEIRD Model.” Accessed November 11, 2020. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7410324/
11: “A Conceptual Model for the Coronavirus Disease 2019 (COVID-19) Outbreak in Wuhan, China with Individual Reaction and Governmental Action - International Journal of Infectious Diseases.” Accessed November 11, 2020. https://www.ijidonline.com/article/S1201-9712(20)30117-X/fulltext
12: “Phase-Adjusted Estimation of the Number of Coronavirus Disease 2019 Cases in Wuhan, China | Cell Discovery.” Accessed November 11, 2020. https://www.nature.com/articles/s41421-020-0148-0.
dc.rights.coar.fl_str_mv http://purl.org/coar/access_right/c_abf2
dc.rights.uri.*.fl_str_mv http://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.rights.local.spa.fl_str_mv Abierto (Texto Completo)
dc.rights.creativecommons.*.fl_str_mv Atribución-NoComercial-SinDerivadas 2.5 Colombia
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-nd/2.5/co/
Abierto (Texto Completo)
Atribución-NoComercial-SinDerivadas 2.5 Colombia
http://purl.org/coar/access_right/c_abf2
dc.format.mimetype.spa.fl_str_mv application/pdf
dc.coverage.spatial.spa.fl_str_mv Bucaramanga (Santander, Colombia)
dc.coverage.campus.spa.fl_str_mv UNAB Campus Bucaramanga
dc.publisher.grantor.spa.fl_str_mv Universidad Autónoma de Bucaramanga UNAB
dc.publisher.faculty.spa.fl_str_mv Facultad Ciencias de la Salud
institution Universidad Autónoma de Bucaramanga - UNAB
bitstream.url.fl_str_mv https://repository.unab.edu.co/bitstream/20.500.12749/21582/2/Informe.pdf
https://repository.unab.edu.co/bitstream/20.500.12749/21582/3/Licencia.pdf
https://repository.unab.edu.co/bitstream/20.500.12749/21582/4/license.txt
https://repository.unab.edu.co/bitstream/20.500.12749/21582/5/Informe.pdf.jpg
https://repository.unab.edu.co/bitstream/20.500.12749/21582/6/Licencia.pdf.jpg
bitstream.checksum.fl_str_mv 7a72eed7a6e57b0188e66afd04fe1a09
5badd3bccf0fce0bb86096224a412e95
3755c0cfdb77e29f2b9125d7a45dd316
e148ae623a14722c57f08b8ccd63cc28
1e15d6b7a2dbea6cab48b0d60e5d4abf
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional | Universidad Autónoma de Bucaramanga - UNAB
repository.mail.fl_str_mv repositorio@unab.edu.co
_version_ 1814277256164409344
spelling Martínez Carrillo, Fabio83cf4921-decc-4d2e-9ef8-97d84cbe4ea3Martínez Carrillo, Fabio [0000738018]Martínez Carrillo, Fabio [es&oi=ao]Bucaramanga (Santander, Colombia)UNAB Campus Bucaramanga2023-08-31T19:20:07Z2023-08-31T19:20:07Z2020http://hdl.handle.net/20.500.12749/21582instname:Universidad Autónoma de Bucaramanga - UNABreponame:Repositorio Institucional UNABrepourl:https://repository.unab.edu.coEl sistema DeepSARS fue propuesto y desarrollado con el propósito de asistir la identificación temprana y seguimiento de pacientes con riesgo de síndrome de distrés respiratorio agudo producido por COVID-19. Principalmente, el sistema realiza el aprendizaje profundo de patrones visuales relevantes para identificar COVID-19 sobre estudios radiológicos de tórax, digitalizados en secuencias de Tomografía Computarizada (CT) y Rayos X (Rx). Durante el desarrollo del proyecto se lograron desarrollar con éxito un total de 9 modelos, con diferentes propósitos, y codificados para operar en los dos tipos de imágenes radiológicas. Estos modelos realizan las siguientes tareas: detectar si un estudio presenta COVID-19 teniendo en cuenta información 2D o 3D, extraer hallazgos o regiones relevantes donde está expresada la enfermedad, y clasificar si un estudio presenta síndrome respiratorio agudo. Adicionalmente, se desarrollaron dos modelos, uno multimodal que usa los síntomas y signos presentados por el paciente para mejorar la detección de casos con COVID-19, y el modelo restante que estratifica el grado de compromiso o evolución del COVID-19 sobre el estudio radiológico de un paciente.The DeepSARS system was proposed and developed with the purpose of assisting the early identification and monitoring of patients at risk of acute respiratory distress syndrome caused by COVID-19. Mainly, the system performs deep learning of relevant visual patterns to identify COVID-19 on chest radiological studies, digitized in Computed Tomography (CT) and X-ray (Rx) sequences. During the development of the project, a total of 9 models were successfully developed, with different purposes, and coded to operate in the two types of radiological images. These models perform the following tasks: detect whether a study presents COVID-19 taking into account 2D or 3D information, extract relevant findings or regions where the disease is expressed, and classify whether a study presents acute respiratory syndrome. Additionally, two models were developed, a multimodal one that uses the symptoms and signs presented by the patient to improve the detection of cases with COVID-19, and the remaining model that stratifies the degree of compromise or evolution of COVID-19 on the radiological study. of a patient.Modalidad Presencialapplication/pdfspahttp://creativecommons.org/licenses/by-nc-nd/2.5/co/Abierto (Texto Completo)Atribución-NoComercial-SinDerivadas 2.5 Colombiahttp://purl.org/coar/access_right/c_abf2DeepSARS: Sistema de aprendizaje profundo automático para la identificación temprana y seguimiento de pacientes con riesgo de síndrome de distrés respiratorio agudoDeepSARS: Automatic deep learning system for early identification and tracking of patients at risk of acute respiratory distress syndromeResearch reportinfo:eu-repo/semantics/workingPaperInforme de investigaciónhttp://purl.org/coar/resource_type/c_18wshttp://purl.org/coar/resource_type/c_8042info:eu-repo/semantics/acceptedVersionhttp://purl.org/redcol/resource_type/IFIUniversidad Autónoma de Bucaramanga UNABFacultad Ciencias de la SaludDeep learning modelsChest imagingAdult respiratory distress syndromeRespiratory insufficiencyRespiratory diseasesBreathing disordersSíndrome de distrés respiratorio de adultosInsuficiencia respiratoriaEnfermedades respiratoriasTrastornos de la respiraciónModelos de aprendizaje profundoImágenes torácicas1: Ren, S., He, K., Girshick, R., & Sun, J. (2015). Faster r-cnn: Towards real-time object detection with region proposal networks. In Advances in neural information processing systems (pp. 91-99)2: Salvador, A., Giró-i-Nieto, X., Marqués, F., & Satoh, S. I. (2016). Faster r-cnn features for instance search. In Proceedings of the IEEE conference on computer vision and pattern recognition workshops (pp. 9-16).3: Boyd, K., Eng, K. H., & Page, C. D. (2013, September). Area under the precision-recall curve: point estimates and confidence intervals. In Joint European conference on machine learning and knowledge discovery in databases (pp. 451-466). Springer, Berlin, Heidelberg.4: Wang, Z., Simoncelli, E. P., & Bovik, A. C. (2003, November). Multiscale structural similarity for image quality assessment. In The Thrity-Seventh Asilomar Conference on Signals, Systems & Computers, 2003 (Vol. 2, pp. 1398-1402). Ieee.5: Horadam, K. J., & Nyblom, M. A. (2014). Distances between sets based on set commonality. Discrete Applied Mathematics, 167, 310-3146: Kermack, William Ogilvy, A. G. McKendrick, and Gilbert Thomas Walker. “A Contribution to the Mathematical Theory of Epidemics.” Proceedings of the Royal Society of London. Series A, Containing Papers of a Mathematical and Physical Character 115, no. 772 (August 1, 1927): 700–721. https://doi.org/10.1098/rspa.1927.01187: Li, Qun, Xuhua Guan, Peng Wu, Xiaoye Wang, Lei Zhou, Yeqing Tong, Ruiqi Ren, et al. “Early Transmission Dynamics in Wuhan, China, of Novel Coronavirus–Infected Pneumonia.” New England Journal of Medicine 382, no. 13 (March 26, 2020): 1199–1207. https://doi.org/10.1056/NEJMoa20013168: Chen, Tian-Mu, Jia Rui, Qiu-Peng Wang, Ze-Yu Zhao, Jing-An Cui, and Ling Yin. “A Mathematical Model for Simulating the Phase-Based Transmissibility of a Novel Coronavirus.” Infectious Diseases of Poverty 9, no. 1 (February 28, 2020): 24. https://doi.org/10.1186/s40249-020-00640-3.9: Korolev, Ivan. “Identification and Estimation of the SEIRD Epidemic Model for COVID-19.” Journal of Econometrics, July 30, 2020. https://doi.org/10.1016/j.jeconom.2020.07.038.10: “Monitoring Italian COVID-19 Spread by a Forced SEIRD Model.” Accessed November 11, 2020. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7410324/11: “A Conceptual Model for the Coronavirus Disease 2019 (COVID-19) Outbreak in Wuhan, China with Individual Reaction and Governmental Action - International Journal of Infectious Diseases.” Accessed November 11, 2020. https://www.ijidonline.com/article/S1201-9712(20)30117-X/fulltext12: “Phase-Adjusted Estimation of the Number of Coronavirus Disease 2019 Cases in Wuhan, China | Cell Discovery.” Accessed November 11, 2020. https://www.nature.com/articles/s41421-020-0148-0.ORIGINALInforme.pdfInforme.pdfInformeapplication/pdf957279https://repository.unab.edu.co/bitstream/20.500.12749/21582/2/Informe.pdf7a72eed7a6e57b0188e66afd04fe1a09MD52open accessLicencia.pdfLicencia.pdfLicenciaapplication/pdf1788183https://repository.unab.edu.co/bitstream/20.500.12749/21582/3/Licencia.pdf5badd3bccf0fce0bb86096224a412e95MD53metadata only accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8829https://repository.unab.edu.co/bitstream/20.500.12749/21582/4/license.txt3755c0cfdb77e29f2b9125d7a45dd316MD54open accessTHUMBNAILInforme.pdf.jpgInforme.pdf.jpgIM Thumbnailimage/jpeg10598https://repository.unab.edu.co/bitstream/20.500.12749/21582/5/Informe.pdf.jpge148ae623a14722c57f08b8ccd63cc28MD55open accessLicencia.pdf.jpgLicencia.pdf.jpgIM Thumbnailimage/jpeg11294https://repository.unab.edu.co/bitstream/20.500.12749/21582/6/Licencia.pdf.jpg1e15d6b7a2dbea6cab48b0d60e5d4abfMD56metadata only access20.500.12749/21582oai:repository.unab.edu.co:20.500.12749/215822023-08-31 22:00:19.762open accessRepositorio Institucional | Universidad Autónoma de Bucaramanga - UNABrepositorio@unab.edu.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

Publicaciones similares