WEBVTT
Kind: captions
Language: es

00:00:00.049 --> 00:00:03.030
Katie Naum:
A continuación, tenemos a Michela Pazzani

00:00:03.030 --> 00:00:08.900
y Albert Hsiao de la Universidad de California
en San Diego, quienes nos hablarán sobre

00:00:08.900 --> 00:00:15.700
la gestión de máquinas para la gestión
de COVID-19, así que dejaré que se lo lleven.

00:00:15.700 --> 00:00:16.700
Gracias.

00:00:16.700 --> 00:00:19.579
Michael Pazzani:
Bien, primero me gustaría agradecer a la

00:00:19.579 --> 00:00:25.150
NSF, particularmente a los sistemas de inteligencia
de información, por financiar esto, y esto

00:00:25.150 --> 00:00:33.520
es una colaboración entre yo, un científico
informático y Albert, un radiólogo con un

00:00:33.520 --> 00:00:38.660
profundo conocimiento en aprendizaje profundo,
y estamos usando métodos de aprendizaje automático,

00:00:38.660 --> 00:00:44.609
particularmente el aprendizaje profundo, para
analizar TC o rayos X para manejar COVID-19.

00:00:44.609 --> 00:00:47.910
Si bien un diagnóstico es importante, también
nos preocupa entender la gravedad de esta

00:00:47.910 --> 00:01:03.690
enfermedad a partir de las imágenes, y finalmente
no es suficiente decir que tienes un 96% de

00:01:03.690 --> 00:01:10.670
probabilidades de tener COVID pero, o incluso
para resaltar una porción del pulmón inferior,

00:01:10.670 --> 00:01:17.470
pero aspiramos a etiquetar las imágenes con
cosas como, hay vidrio molido en el pulmón

00:01:17.470 --> 00:01:18.590
inferior izquierdo.

00:01:18.590 --> 00:01:27.050
Estamos evaluando una variedad de enfoques
existentes para la clasificación y la explicación

00:01:27.050 --> 00:01:33.010
y empezando a desarrollar otros nuevos también.

00:01:33.010 --> 00:01:39.700
El objetivo final es que el aprendizaje automático
adquiera signos de diagnóstico que se puedan

00:01:39.700 --> 00:01:45.160
comunicar a las personas, como un clínico
cuando están haciendo el diagnóstico, o

00:01:45.160 --> 00:01:49.780
tal vez para enseñar a sus compañeros o
residentes sin siquiera [inaudible] computadoras

00:01:49.780 --> 00:01:50.800
marcando las imágenes.

00:01:50.800 --> 00:01:55.020
En la siguiente diapositiva mostramos el proceso
de aprendizaje profundo.

00:01:55.020 --> 00:02:00.370
Esencialmente tenemos una base de datos, una
base de datos existente de imágenes, así

00:02:00.370 --> 00:02:06.020
como nuevas imágenes que por desgracia hemos
recogido en la UCSD en los últimos meses

00:02:06.020 --> 00:02:13.330
de pacientes con COVID, y el objetivo es tomar
imágenes de pacientes normales, aquellos

00:02:13.330 --> 00:02:18.300
con COVID-19, aquellos con otras condiciones
y llegar a un método de aprendizaje que los

00:02:18.300 --> 00:02:20.300
distingue, y también proporciona la explicación.

00:02:20.300 --> 00:02:24.610
Somos bastante afortunados en que podemos
aprovechar una gran cantidad de infraestructura

00:02:24.610 --> 00:02:30.920
existente que ya estaba en lugar de hacer
imágenes, enviarlo a la nube para su análisis,

00:02:30.920 --> 00:02:35.600
y luego enviarlo a la clínica donde el médico
usuario final puede observarlo.

00:02:35.600 --> 00:02:41.830
Todo esto ya estaba en marcha por Albert en
UCSD Health y solo hemos tenido que modificar

00:02:41.830 --> 00:02:45.100
los procedimientos de diagnóstico en la nube
con nuevos datos de COVID-19.

00:02:45.100 --> 00:02:51.560
Y desde aquí dejaré que Albert se haga cargo
y explique un poco más sobre cómo estamos

00:02:51.560 --> 00:02:52.560
haciendo esto.

00:02:52.560 --> 00:02:55.580
Albert Hsiao:
Gracias Mike, gracias de nuevo por darnos

00:02:55.580 --> 00:02:57.819
la oportunidad de presentar este trabajo.

00:02:57.819 --> 00:03:01.760
Es definitivamente de naturaleza muy técnica,
pero también muy clínica e impactante de

00:03:01.760 --> 00:03:05.710
inmediato, ya que ya lo estamos usando en
nuestra clínica.

00:03:05.710 --> 00:03:08.550
El concepto principal es desarrollar algoritmos
de IA que nos permitan localizar la neumonía.

00:03:08.550 --> 00:03:13.920
Este es un trabajo que iniciamos incluso antes
de que comenzara la pandemia COVID-19, pero

00:03:13.920 --> 00:03:15.300
que se ha acelerado mucho debido a la necesidad.

00:03:15.300 --> 00:03:17.590
Un aspecto realmente importante clave de COVID-19
es que no todos los pacientes desarrollan

00:03:17.590 --> 00:03:19.980
neumonía, algunos pacientes lo hacen y algunos
pacientes no, algunos se vuelven asintomáticos,

00:03:19.980 --> 00:03:25.030
por supuesto, pero los que lo hacen, la gravedad
de la neumonía en x-19ray o TC nos proporciona

00:03:25.030 --> 00:03:28.810
muy buena información pronóstica y una gran
cantidad de datos está empezando a salir

00:03:28.810 --> 00:03:29.810
con eso.

00:03:29.810 --> 00:03:35.360
Hemos tomado una estrategia muy diferente
hacia este enfoque de segmentación de tipo

00:03:35.360 --> 00:03:43.340
U-net en comparación con una gran cantidad
de enfoques de clasificación que se han utilizado

00:03:43.340 --> 00:03:46.970
anteriormente, aunque ambos son factibles,
y se puede generar este tipo de mapas de probabilidad

00:03:46.970 --> 00:03:51.920
y quéno - mapas de activación de enfoques
de clasificación que vamos a explorar también.

00:03:51.920 --> 00:03:56.959
El aspecto importante es cuantificar la gravedad
de la enfermedad, supongo, esencialmente nos

00:03:56.959 --> 00:04:01.730
da información pronóstica, porque en última
instancia queremos saber qué pacientes requieren

00:04:01.730 --> 00:04:05.709
hospitalización, cuáles pueden quedarse
en casa, cuáles requieren ventilación mecánica

00:04:05.709 --> 00:04:08.940
y cuáles tienen probabilidades de sobrevivir
o no.

00:04:08.940 --> 00:04:12.680
Y algunos de nuestros datos iniciales aquí
nos están mostrando que aquellos pacientes

00:04:12.680 --> 00:04:17.669
con alta probabilidad predicha por el - por
el algoritmo son también los que tienden

00:04:17.669 --> 00:04:22.320
a no sobrevivir y son los que tienden a requerir
la intubación.

00:04:22.320 --> 00:04:29.620
Por lo tanto, esto nos dará muy buenos datos
sobre cómo manejar mejor a estos pacientes,

00:04:29.620 --> 00:04:36.340
por lo que es un elemento muy crítico de
cómo todo esto entrará en juego en nuestra

00:04:36.340 --> 00:04:40.449
clínica y esperamos que muchos otros a través
de nuestras colaboraciones.

00:04:40.449 --> 00:04:48.710
Nuestros resultados actuales en COVID-19,
este es un ejemplo de un paciente con COVID-19

00:04:48.710 --> 00:04:50.930
que se presentó a nuestra clínica.

00:04:50.930 --> 00:04:56.449
Nuestro algoritmo de IA produjo nuestro algoritmo
de IA inicial produjo este resultado, muy

00:04:56.449 --> 00:05:03.389
sutil que realmente no destaca las áreas
de neumonía que así como fue entrenado en

00:05:03.389 --> 00:05:08.719
inicialmente solo datos públicos antes de
COVID-19 y se nos ocurrió una estrategia

00:05:08.719 --> 00:05:13.639
que utiliza el aprendizaje activo de transferencia
de aprendizaje para identificar específicamente

00:05:13.639 --> 00:05:19.360
buenos casos para que nos entrenemos en aplicar
el aprendizaje de transferencia a esa red

00:05:19.360 --> 00:05:20.360
neuronal.

00:05:20.360 --> 00:05:27.969
El uso de TC realizadas al mismo tiempo que
se hicieron para darnos una mejor verdad de

00:05:27.969 --> 00:05:36.240
tierra y que eso nos ha dado un mayor rendimiento
tanto en el conjunto de datos internos y externos

00:05:36.240 --> 00:05:40.419
y realmente destaca la neumonía mejor por
lo que nuestros algoritmos iniciales que estaban

00:05:40.419 --> 00:05:43.210
en su lugar estamos reemplazando con estos
algoritmos actualizados-

00:05:43.210 --> 00:05:48.169
Gracias al apoyo de la NSF en este proyecto
hemos estado implementando esto en nuestra

00:05:48.169 --> 00:05:52.509
clínica y ciertamente hay artículos en línea
sobre él, así como una publicación revisada

00:05:52.509 --> 00:05:56.580
por pares que sacamos alrededor del momento
en que estábamos investigando esto inicialmente.

00:05:56.580 --> 00:06:02.740
Y nuestros próximos pasos son realmente agregar
grandes conjuntos de datos a través de múltiples

00:06:02.740 --> 00:06:09.410
instituciones, tener múltiples lectores anotar
las áreas de la neumonía para tipo de solidificar

00:06:09.410 --> 00:06:15.620
la verdad del suelo un poco, utilizar el CT
también y desarrollar este algoritmo comparable

00:06:15.620 --> 00:06:17.199
para CT en el proceso.

00:06:17.199 --> 00:06:22.080
Y en última instancia, queremos que este
algoritmo sea explicable, es realmente crítico

00:06:22.080 --> 00:06:26.990
para nosotros poder usarlo clínicamente es
estar seguros de que estamos confiando en

00:06:26.990 --> 00:06:30.580
características que realmente no importan,
no tipo de características accesorias que

00:06:30.580 --> 00:06:34.020
la red neuronal tipo de casualmente vio asociado
con COVID, pero en realidad las cosas están

00:06:34.020 --> 00:06:35.020
relacionadas con él y luego.

00:06:35.020 --> 00:06:37.180
Y luego evaluar su utilidad clínica tanto
en la detección de enfermedades, distinguiendo

00:06:37.180 --> 00:06:40.979
entre otras enfermedades que son bastante
similares como el edema pulmonar, y luego

00:06:40.979 --> 00:06:48.251
darnos las mejores prácticas de manejo para
estos pacientes, así que ese es el tipo de

00:06:48.251 --> 00:06:49.659
a dónde vamos.

00:06:49.659 --> 00:06:50.139
Gracias.