Los chatbots inteligentes basados en la PNL son utilizados por varias empresas multinacionales para proporcionar servicios de atención al cliente a los usuarios finales. El sector de la sanidad utiliza la PNL basada en la IA para ayudar a los médicos a dictar observaciones y automatizar la cumplimentación del historial médico. Todas estas técnicas de IA están desempeñando un papel importante en el desarrollo y la mejora del sistema médico a escala mundial.

Posible contribución de la IA a la lucha contra el virus Covid-19

La IA es una tecnología emergente en el ámbito de la industria sanitaria y ha contribuido activamente a la lucha contra el COVID-19. BlueDot y MetaBiota, dos empresas basadas en la IA, predijeron el brote de esta enfermedad infecciosa antes de su declaración como pandemia por la OMS.

Las técnicas de ML y DL basadas en la IA, junto con las imágenes radiológicas, proporcionaron un diagnóstico preciso de esta enfermedad y eliminaron el problema del número limitado de personal médico especializado y de los kits de pruebas de reacción en cadena de la polimerasa de transcripción inversa (RT-PCR) en las aldeas remotas.

La IA y el diseño computacional de fármacos están abriendo nuevas vías para la reutilización de los fármacos existentes y el descubrimiento de nuevos medicamentos para combatir la COVID-19. Las técnicas de predicción basadas en ML y DL son ampliamente exploradas para predecir la tasa de supervivencia y mortalidad de los pacientes positivos a COVID-19.

Una vez que el ser humano es diagnosticado con COVID-19, la siguiente acción importante es prevenir su propagación. Muchos países están utilizando aplicaciones de rastreo de contactos basadas en la IA para romper la cadena de transmisión del virus. La nueva generación de robots basados en IA a escala macro y micro ha revolucionado la industria médica y ha desempeñado un papel importante ayudando a la fraternidad médica en esta situación de pandemia.

Los investigadores han explorado el modelo ML para estimar la ruta de transmisión del coronavirus del Síndrome Respiratorio de Oriente Medio (MERS). Muchas de las principales organizaciones privadas y públicas están luchando por establecer una comunicación con sus clientes debido al cierre forzoso; por lo tanto, las empresas gigantes están desplegando chatbots basados en IA para proporcionar información validada sobre sus productos y difundir la conciencia sobre la pandemia en curso. La única medida para evitar una mayor propagación de esta enfermedad es el distanciamiento social.

Las técnicas de CV basadas en la IA encuentran aplicaciones útiles para vigilar las zonas concurridas y reducir la probabilidad de contagio.

Diagnóstico de enfermedades

Las imágenes médicas inteligentes han desempeñado un papel fundamental en el diagnóstico de enfermedades humanas, como la detección del cáncer de mama, la detección de la neumonía y la clasificación de enfermedades pulmonares y cerebrales, por nombrar algunas. En la fase inicial de la pandemia de COVID-19, la comunidad médica de China diagnosticó el virus utilizando imágenes de tomografía computarizada (TC) y radiografías de tórax debido a la disponibilidad de kits de prueba limitados. Los modelos predictivos basados en IA y DL proporcionaron una buena ayuda a los radiólogos para un diagnóstico y pronóstico de la enfermedad precisos, más baratos y más rápidos.

En el libro “COVIDX-Net: A Framework of Deep Learning Classifiers to Diagnose COVID-19 in X-Ray Images, 2020 arXiv:2003.11055”, el autor propuso la red de DL COVIDX-Net que comprende siete redes neuronales convolucionales (CNN) para la detección de COVID-19 utilizando imágenes de rayos X.

En este artículo, el autor exploró COVID-Net, una CNN profunda para el diagnóstico de enfermedades utilizando 13.975 conjuntos de datos de imágenes de rayos X, y los resultados de la simulación muestran que el modelo propuesto presenta una precisión, sensibilidad y valor predictivo positivo (VPP) del 93,3%, 91,0% y 98,9%.

En “Detection of coronavirus disease (covid-19) based on deep features. Preprints, 2020030300, 2020”, el autor utilizó datos disponibles en GitHub, Kaggle y Open-i para diagnosticar COVID-19 a partir de imágenes de rayos X utilizando el modelo CNN ResNet50 con el algoritmo de máquina de vectores de apoyo (SVM). Los resultados de la simulación muestran que el modelo de clasificación propuesto supera a otros modelos con una precisión del 95,38%.

En “Automated detection of COVID-19 cases using deep neural networks with X-ray images. Computers in Biology and Medicine, 103792”, el autor propuso una arquitectura DarkNet CNN con 17 capas convolucionales con diferentes esquemas de filtrado en cada capa. La arquitectura propuesta proporciona con precisión una clasificación binaria (COVID vs. No-Findings) con una precisión del 98,08% y una clasificación multiclase (COVID vs. No-Findings vs. Neumonía) con una precisión del 87,02%.

El estudio también concluyó que la arquitectura propuesta también puede utilizarse para diagnosticar otras enfermedades del tórax como la tuberculosis y la neumonía.

En “Application of Deep Learning for Fast Detection of COVID-19 in X-Rays using nCOVnet. Chaos, Solitons & Fractals, 109944”, el autor propuso un modelo CNN de 24 capas nCOVnet para diagnosticar la enfermedad en menos de 5 segundos con una precisión del 97,62%.

En “COVIDiagnosis-Net: Deep Bayes-SqueezeNet based Diagnostic of the Coronavirus Disease 2019 (COVID-19) from X-Ray Images”. Medical Hypotheses, 109761″, el autor propuso un robusto modelo de clasificación Bayes-SqueezeNet CNN sostenible que hibrida la arquitectura SqueezeNet de 15 capas con el algoritmo de optimización bayesiano. El modelo propuesto identifica casos normales, de neumonía y COVID a partir de un conjunto de datos de imágenes de rayos X con una precisión del 98,3%.

En “DeepCOVIDExplainer: Explainable COVID-19 Diagnosis Based on Chest X-ray Images”, el autor propuso DeepCOVIDExplainer para detectar los síntomas de COVID-19 a partir de imágenes de rayos X de tórax. El autor exploró las arquitecturas VGG (Visual Geometry Group), ResNet (Residual Networks) y DenseNet CNN (Densely connected Convolutional Network) y los resultados de la simulación muestran que DenseNet-161 supera a otros modelos con una precisión, una recuperación y una puntuación F1 del 95,2%, 94,5% y 94,8% para el conjunto de datos equilibrado y del 89,3%, 87,4% y 88,3% para el conjunto de datos no equilibrado.

En “Detección a gran escala del covid-19 de la neumonía adquirida en la comunidad mediante una clasificación basada en el tamaño de la infección. arXiv:2003.09860”, el autor exploró un modelo ML de bosque aleatorio (RF) para clasificar a los pacientes con COVID a partir de un conjunto de datos de imágenes de TC de tórax que comprende 1658 imágenes de casos positivos y 1027 de casos negativos. El modelo propuesto presenta resultados precisos con una sensibilidad, especificidad y precisión del 90,7%, 83,3% y 87,9%.

En “COVID-MobileXpert: On-Device COVID-19 Screening using Snapshots of Chest X-Ray. arXiv:2004.03042”, el autor presenta COVID-MobileXpert, que es una aplicación móvil basada en una red neuronal profunda que puede detectar COVID-19 a partir de una imagen ruidosa de radiografía de tórax. Una vez que el paciente es diagnosticado con COVID-19, entonces, basándose en el nivel de infección, se pueden proporcionar recursos médicos a los pacientes. Se ha observado que los bebés y los ancianos con un nivel de inmunidad débil son los más afectados por esta enfermedad.

En “Un modelo basado en el aprendizaje automático para la predicción de la supervivencia en pacientes con infección grave por COVID-19. MedRxiv (2020)”, el autor exploró un algoritmo de ML para predecir el nivel de gravedad de la enfermedad a partir de una base de datos de muestras de sangre obtenidas en Wuhan, China, con el fin de proporcionar asistencia médica a tiempo a las personas infectadas y reducir la tasa de mortalidad.

En “Hacia un marco de inteligencia artificial para la predicción basada en datos de la gravedad clínica de los coronavirus. CMC: Computers, Materials & Continua, 63, 537-51 (2020)”, el autor utiliza modelos de predicción de árboles de decisión (DT), RF y SVM ML para predecir los pacientes de alto riesgo y que pueden llegar a desarrollar el síndrome de dificultad respiratoria aguda (SDRA).
El modelo propuesto se entrenó con un conjunto de datos obtenidos de dos hospitales de China que presenta una precisión del 80% para predecir los casos graves.

Descubrimiento de fármacos y vacunas

La tecnología de IA está contribuyendo potencialmente al descubrimiento de nuevos fármacos a un ritmo mucho más rápido, así como a los ensayos clínicos durante el desarrollo de la vacuna. Los investigadores de Baidu desarrollaron un algoritmo predictivo basado en la IA, LinearFold, que puede predecir la estructura del ARN (ácido ribonucleico) del SARS-CoV-2 [4].

DeepMind de Google predijo la estructura proteica del virus mediante el sistema AlpaFold basado en DL. El desarrollo del modelo 3D de la estructura de la proteína es útil para entender cómo funciona el virus y, finalmente, para el desarrollo de su vacuna (https://syncedreview.com/2020/03/05/google-deepmind-releases-structure-predictions-for-coronavirus-linked-proteins/).

En “Artificial intelligence approach fighting COVID-19 with repurposing drugs. Biomedical Journal (2020)”, el autor exploró el modelo DL para detectar fármacos antiguos con actividades anticoronavirus mediante el aprendizaje del modelo con dos conjuntos de datos de la restricción de la proteasa 3C y otros registros de datos de SARS-CoV, SARS-CoV-2, gripe y virus de la inmunodeficiencia humana (VIH) infectados.)

El estudio sugiere que ocho fármacos, bedaquilina, brequinar, celecoxib, clofazimina, conivaptán, gemcitabina, tolcapona y vismodegib, son eficaces contra el virus de la corona de la peritonitis infecciosa felina (PIF).

Impactos: 2

Calificar