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.

Análisis semiológico de las manifestaciones atípicas de temblor en pacientes con enfermedad de Parkinson y temblor esencial / Semiological analysis of atypical manifestations of tremor in Parkinson's disease and essential tremor

RESUMEN OBJETIVO: La enfermedad de Parkinson (EP) y el temblor esencial (TE) son las patologías que con más frecuencia presentan temblor como manifestación crucial, no obstante, a pesar de que su fisiopatología, diagnóstico y tratamiento son totalmente distintos. El síntoma de temblor suele acarrear un desafío clínico para su correcto enfoque, lo cual lleva frecuentemente a confusión y subsecuentemente a tratamientos erróneos. En este estudio se pretende caracterizar, individualizar y describir las manifestaciones atípicas del temblor en pacientes con diagnóstico de EP y TE con el objetivo de proporcionar herramientas para aumentar la efectividad del diagnóstico de estas condiciones. METODOLOGÍA: Estudio observacional, de corte transversal, en el cual se describió cada variable por medio de medidas de tendencia central y dispersión para variables cuantitativas y frecuencias absolutas y relativas para las variables categóricas. RESULTADOS: Se encontraron manifestaciones típicas y atípicas para ambas patologías, siendo el temblor en reposo la manifestación atípica más frecuente en TE; se encontró en el 35 % de los pacientes (p = 0,0001). Para la EP, un 40 % de los pacientes presentaron temblor postural (p = 0,001) como manifestación atípica. CONCLUSIONES: Los signos atípicos del temblor en la EP y en el TE deben ser tomados en cuenta al establecer el diagnóstico clínico de ambas patologías, para intentar disminuir la posibilidad de generar un diagnóstico erróneo con un tratamiento inadecuado.

SUMMARY OBJECTIVE: Parkinson's disease (PD) and essential tremor (ET) are the most prevalent pathologies in which tremor is an important symptom. Despite the fact that both conditions exhibit a totally different pathophysiology, diagnosis criteria and treatment, the clinical assessment of this manifestation tends to generate bias and confusion, leading to misdiagnosis and subsequently wrong prescriptions. This study intents to assess both typical and atypical features of PD and ET and provide some insights about the relevance of clinical judgement to provide better treatments. METHODOLOGY: This is an observational cross-sectional study with a sample of 20 PD patients and 20 ET patients. Each variable was described using measure of central tendency and dispersion for quantitative variables and absolute and relative frequencies for categorical ones. RESULTS: Typical and atypical manifestations were found in both pathologies, tremor at rest was the most frequent atypical manifestation in ET presented in 35 %% of patients (p = 0.0001). For PD 40 %% of patients showed postural tremor being the most frequent atypical characteristic (p = 0.001). CONCLUSIONS: Atypical signs in PD and ET must be taken into account to avoid misdiagnosis. The clinical phenomenology of both diseases concerning tremor can overlap, and tremor interpretation can improve patient care.