Aplicación de técnicas de inteligencia artificial para la detección de tuberculosis pulmonar en Colombia
Application of artificial intelligence techniques for the detection of pulmonary tuberculosis in Colombia
Barra lateral del artículo
PDF
FLIP
Términos de la licencia (VER)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Declaración del copyright
Los autores ceden en exclusiva a la Universidad EIA, con facultad de cesión a terceros, todos los derechos de explotación que deriven de los trabajos que sean aceptados para su publicación en la Revista EIA, así como en cualquier producto derivados de la misma y, en particular, los de reproducción, distribución, comunicación pública (incluida la puesta a disposición interactiva) y transformación (incluidas la adaptación, la modificación y, en su caso, la traducción), para todas las modalidades de explotación (a título enunciativo y no limitativo: en formato papel, electrónico, on-line, soporte informático o audiovisual, así como en cualquier otro formato, incluso con finalidad promocional o publicitaria y/o para la realización de productos derivados), para un ámbito territorial mundial y para toda la duración legal de los derechos prevista en el vigente texto difundido de la Ley de Propiedad Intelectual. Esta cesión la realizarán los autores sin derecho a ningún tipo de remuneración o indemnización.
La autorización conferida a la Revista EIA estará vigente a partir de la fecha en que se incluye en el volumen y número respectivo en el Sistema Open Journal Systems de la Revista EIA, así como en las diferentes bases e índices de datos en que se encuentra indexada la publicación.
Todos los contenidos de la Revista EIA, están publicados bajo la Licencia Creative Commons Atribución-NoComercial-NoDerivativa 4.0 Internacional
Licencia
Esta obra está bajo una Licencia Creative Commons Atribución-NoComercial-NoDerivativa 4.0 Internacional
Contenido principal del artículo
Resumen
La tuberculosis es una enfermedad respiratoria que afecta los pulmones y que es causada por el bacilo Mycobacterium tuberculosis (MTB) el cual se expande cuando una persona enferma con tuberculosis expulsa la bacteria al aire al toser. Antes de la pandemia del COVID-19, la tuberculosis era considerada la principal causa de muerte por agentes infecciones en el mundo incluso por encima del VIH/SIDA. El cultivo de MTB en medio sólido es el principal método de referencia diagnóstica. Además, es el método estándar para identificar el perfil de resistencia bacteriana. Sin embargo, se requiere de mucho tiempo para la obtención del resultado; tiempo durante el cual un paciente puede ser altamente contagioso. Por otro lado, la demora en instaurar un tratamiento para la tuberculosis puede conducir a mayor gravedad de la enfermedad, pero de tomarse una medida de sobretratamiento independiente de la confirmación diagnóstica, se generaría resistencia bacteriana, mayor tasa de eventos adversos y mayores costos. Por lo tanto, es necesaria una estrategia que permita hacer un diagnóstico rápido de la tuberculosis. Para abordar este reto, en este artículo se proponen modelos para la detección de tuberculosis pulmonar utilizando diferentes técnicas de inteligencia artificial. Estos modelos se pueden usar como apoyo a la toma de decisiones por parte de los médicos y tienen como objetivo identificar si un paciente padece de tuberculosis. En particular, se proponen modelos basados en cuatro técnicas de aprendizaje supervisado (redes neuronales, árboles de decisión, y dos métodos de ensamble) que permiten realizar un diagnóstico, positivo o negativo, de tuberculosis pulmonar a partir de unas variables de entrada y de diagnósticos anteriormente registrados de pacientes sanos y otros con tuberculosis pulmonar de la ciudad de Cali, Colombia. De acuerdo con los resultados obtenidos, el método de ensamble Extra Trees resulta ser el más exacto comparado con las otras técnicas utilizadas para la predicción de tuberculosis pulmonar alcanzando un área bajo la curva ROC de 95.63%.
Descargas
Detalles del artículo
Referencias (VER)
Evangelista, L.; Guedes, E. (2019). Ensembles of Convolutional Neural Networks on Computer-Aided Pulmonary Tuberculosis Detection. IEEE Latin America Transactions, 17(12), pp. 1954-1963. https://doi.org/10.1109/TLA.2019.9011539
Fojnica, A.; Osmanović, A.; Badnjević, A. (2016). Dynamical model of Tuberculosis-Multiple Strain Prediction based on artificial neural network. 5th Mediterranean Conference on Embedded Computing (MECO), pp. 290-293. https://doi.org/10.1109/MECO.2016.7525763
Hwang, E.J.; Park, S.; Jin, K-N.; Kim, J.I.; Choi, S.Y.; Lee, J.H.; Goo, J.M.; Aum, J.; Yim, J-J.; Park, C.M. (2019). Development and Validation of a Deep Learning-based Automatic Detection Algorithm for Active Pulmonary Tuberculosis on Chest Radiographs. Clinical infectious diseases, 69(5), pp. 739-747. https://doi.org/10.1093/cid/ciy967
Joshi, B.; Lestari, T.; Graham, S.M.; Baral, S.C.; Verma, S.C.; Ghimire, G.; Bhatta, B.; Dumre, S.P.; Utarini, A. (2018). The implementation of Xpert MTB/RIF assay for diagnosis of tuberculosis in Nepal: A mixed-methods analysis. PLoS One, 13(8). https://doi.org/10.1371/journal.pone.0201731
Khan, M.T.; Kaushik, A.C.; Ji, L.; Malik, S.I.; Ali, S.; Wei, D-Q. (2019). Artificial Neural Networks for Prediction of Tuberculosis Disease. Frontiers in Microbiology, 10(395). https://doi.org/10.3389/fmicb.2019.00395
Kitonsa, P.J.; Nalutaaya, A.; Mukiibi, J.; Nakasolya, O.; Isooba, D.; Kamoga, C.; Baik, Y.; Robsky, K.; Dowdy, D.W.; Katamba, A.; Kendall, E.A. (2020). Evaluation of underweight status may improve identification of the highest-risk patients during outpatient evaluation for pulmonary tuberculosis. PLoS One, 15(12). https://doi.org/10.1371/journal.pone.0243542
Li, L.; Huang, H.; Jin, X. (2018). AE-CNN Classification of Pulmonary Tuberculosis Based on CT Images. 9th International Conference on Information Technology in Medicine and Education (ITME), pp. 39-42. https://doi.org/10.1109/ITME.2018.00020
Postnikov, E.; Esmedljaeva, D.; Lavrova, A. (2020). A CatBoost machine learning for prognosis of pathogen’s drug resistance in pulmonary tuberculosis. IEEE 2nd Global Conference on Life Sciences and Technologies (LifeTech), pp. 86-87. https://doi.org/10.1109/LifeTech48969.2020.1570619054
Rajaraman, S.; Candemir, S.; Xue, Z.; Alderson, O.; Kohli, M.; Abuya, J.; Antani, S. (2018). A novel stacked generalization of models for improved TB detection in chest radiographs. 40th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), pp. 718-721. https://doi.org/10.1109/EMBC.2018.8512337
Ramana, K.; Basha, S. (2004). Neural image recognition system with application to tuberculosis detection, International Conference on Information Technology: Coding and Computing, 2, pp. 694-698. https://doi.org/10.1109/ITCC.2004.1286735
Rusdah; Winarko, E.; Wardoyo, R. (2015). Preliminary diagnosis of pulmonary tuberculosis using ensemble method. International Conference on Data and Software Engineering (ICoDSE), pp. 175-180. https://doi.org/10.1109/ICODSE.2015.7436993
Shamshirband, S.; Hessam, S.; Javidnia, H.; Amiribesheli, M.; Vahdat, S.; Petković, D.; Gani, A.; Kiah, MLM. (2014). Tuberculosis Disease Diagnosis Using Artificial Immune Recognition System. International. Journal of Medical Sciences, 11(5), pp. 508-514. https://doi.org/10.7150/ijms.8249
Solh, El.; Hsiao, A.; Goodnough, C.; Serghani, S.; Grant, B. (1999). Predicting Active Pulmonary Tuberculosis Using an Artificial Neural Network. Chest Journal, 10(4), pp. 968–973. https://doi.org/10.1378/chest.116.4.968
Souza, F.; Sanchez, M.; Seixas, J.M.; Maidantchik, C.; Galliez, R.; Moreira, ADSR.; da Costa, P.A.; Oliveira, M.M.; Harries, A.D.; Kritski, A.L. (2018). Screening for active pulmonary tuberculosis: Development and applicability of artificial neural network models. Tuberculosis, 111, pp. 94-101. https://doi.org/10.1016/j.tube.2018.05.012
Temurtas, F.; Tanrikulu, A. (2010). Tuberculosis disease diagnosis using artificial neural networks. Journal of Medical Systems, 34(3), pp. 299-302. https://doi.org/10.1007/s10916-008-9241-x
Vijayaraj, M.; Abhinand, P.A.; Venkatesan, P.; Ragunath, P.K. (2020). An ANN model for the differential diagnosis of tuberculosis and sarcoidosis. Bioinformation, 16(7), pp. 539-546. https://doi.org/10.6026/97320630016539
World Health Organization. (2021). Global tuberculosis report 2021, Global Tuberculosis Programme, 25 p. https://www.who.int/publications/i/item/9789240037021
Wu, Y.; Wang, H.; Wu, F. (2017). Automatic classification of pulmonary tuberculosis and sarcoidosis based on random forest. 10th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics (CISP-BMEI), pp. 1-5. https://doi.org/10.1109/CISP-BMEI.2017.8302280
Xing, Z.; Ding, W.; Zhang, S.; Zhong, L.; Wang, L.; Wang, J.; Wang, K.; Xie, Y.; Zhao, X.; Li, N.; Ye, Z. (2020). Machine Learning-Based Differentiation of Nontuberculous Mycobacteria Lung Disease and Pulmonary Tuberculosis Using CT Images. Biomed Research International. https://doi.org/10.1155/2020/6287545
Yang, A.; Jin, X.; Li, L. (2019). CT Images Recognition of Pulmonary Tuberculosis Based on Improved Faster RCNN and U-Net. 10th International Conference on Information Technology in Medicine and Education (ITME), pp. 93-97. https://doi.org/10.1109/ITME.2019.00032