Prueba previa de diario

El panorama actual de las imágenes y el papel potencial de la inteligencia artificial en

la gestión de COVID-19

Dr. Faiq Shaikh, Dr. Michael Anderson, Ph.D. ,

M. Rizwan Sohail MD, Francisca Mulero MD, Ph.D. , Omer Awan MD, MPH,
Diana Dupont-Roettger Ph.D. , Olga Kubassova Ph.D. , Jamshid Dehmsehki
Ph.D. , Sotirios Bisdas MD, Ph.D

PII: S0363-0188 (20) 30125-0

DOI: https://doi.org/10.1067/j.cpradiol.2020.06.009
Referencia: YMDR 843

Aparecer en: Problemas actuales en radiología diagnóstica

Por favor citar esta artículo como: Faiq Shaikh MD, Michael Anderson MD, Ph.D. ,
Dr. M. Rizwan Sohail, Francisca Mulero MD, Ph.D. , Omer Awan MD, MPH,
Diana Dupont-Roettger Ph.D. , Olga Kubassova Ph.D. , Jamshid Dehmsehki Ph.D. ,
Sotirios Bisdas MD, Ph.D, Panorama actual de las imágenes y el papel potencial de la inteligencia artificial en el manejo de COVID-19, Problemas
actuales en radiología diagnóstica ( 2020), doi:
https://doi.org/10.1067/j.cpradiol.2020.06.009

Este es un archivo PDF de un artículo que ha experimentado mejoras después de la aceptación, como la adición de una portada y metadatos,
y el formato para facilitar la lectura, pero aún no es la versión definitiva del registro. Esta versión se someterá a edición de texto adicional,
tipografía y revisión antes de que se publique en su forma final, pero estamos proporcionando esta versión para dar visibilidad temprana del
artículo. Tenga en cuenta que, durante el proceso de producción, se pueden descubrir errores que podrían afectar el contenido, y todas las
renuncias legales que se aplican a la revista pertenecen.

© © 2020 Publicado por Elsevier Inc.

 El panorama actual de las imágenes y el papel potencial de la inteligencia artificial en el

gestión de COVID-19

Faiq Shaikh, MD 1; Michael Anderson, MD, Ph.D. 2; M. Rizwan Sohail, MD 3; Francisca Mulero, MD, Ph.D. 4; Omer Awan, MD, MPH 5; Diana
Dupont-Roettger, Ph.D. 1; Olga Kubassova, Ph.D. 1; Jamshid Dehmsehki, Ph.D. 1; Sotirios
Bisdas, MD, Ph.D 6)

Image Analysis Group, Filadelfia, PA, EE. UU. 1; Universidad de Aarhus, Aarhus, Dinamarca 2; Mayo Clinic College of Medicine and Science,
Rochester, MN, EE. UU. 3; Centro Nacional de Investigaciones Oncológicas, Madrid, España. 4;
Universidad de Maryland, Baltimore, MD, EE. UU. 5; University College London, Reino Unido 6)

ARTÍCULO DE REVISIÓN

Autor correspondiente:

Faiq Shaikh, MD,

Grupo de análisis de imagen,

Filadelfia, Pensilvania, Estados Unidos.

faiq.shaikh@ia-grp.com

PALABRAS CLAVE COVID-19; médico; imagenología; artificial; inteligencia.

RESUMEN:

El manejo clínico de COVID-19 es desafiante. Las imágenes médicas juegan un papel crítico en la detección temprana, el
monitoreo clínico y la evaluación de resultados de esta enfermedad. La radiografía de rayos X de tórax (CXR) y la tomografía
computarizada (TC) son las modalidades de imagen estándar utilizadas para la evaluación estructural del estado de la
enfermedad, mientras que la imagen funcional (es decir, la tomografía por emisión de positrones) ha tenido una aplicación
limitada. La inteligencia artificial (IA) puede mejorar el poder predictivo y la utilización de estos enfoques de imágenes y los
nuevos enfoques centrados en la detección, estratificación y pronóstico están mostrando resultados alentadores. Revisamos el
panorama actual de estas modalidades de imagen y enfoques de IA aplicados en la gestión de COVID-19.

REVISIÓN:

La presentación clínica de COVID-19

COVID-19 es principalmente una infección del tracto respiratorio causada por el virus SARS-CoV2. La
infección se propaga de humano a humano a través de pequeñas gotas y potencialmente en aerosol [1]. El período
de incubación de COVID-19 varía de 2 a 14 días, con un promedio de 5,2 días [2]. Durante este tiempo, un paciente
asintomático puede transmitir el virus a otras personas, lo que lo convierte en una infección altamente contagiosa [2].
Los síntomas típicos incluyen tos, estornudos, fiebre, malestar general, dolores corporales y falta de aire [2].
Inicialmente, el virus infecta y se replica en las vías respiratorias superiores con la posterior diseminación del
parénquima pulmonar (los sacos alveolares). Sin embargo, algunos pacientes se presentan únicamente con síntomas
digestivos y el virus solo se aísla en muestras de heces, sin afectación sintomática de las vías respiratorias. Por lo
tanto, la transmisión fecal-oral ha sido supuesta [2].

El SARS-CoV2 puede infectar a cualquier individuo, pero los ancianos, inmunocomprometidos y aquellos con afecciones
cardiovasculares y pulmonares preexistentes tienen un mayor riesgo de enfermedad grave y muerte [4]. La mayor parte de la
morbilidad debida a COVID-19 resulta de la afectación del tracto respiratorio. Sin embargo, aunque es poco frecuente, existe una
creciente preocupación por las manifestaciones neurológicas de COVID-19, como la encefalitis y la miopatía que ocurren en
pacientes más jóvenes [5,6].

Algunos pacientes con COVID-19 pueden progresar rápidamente para desarrollar el síndrome de dificultad respiratoria aguda

(SDRA), que se caracteriza por un inicio rápido de inflamación generalizada en los pulmones, lo que limita el intercambio de aire

adecuado. Esto se debe a la lesión difusa de las células alveolares.

causado tanto por la infección viral como por la respuesta inmune a la misma. Clínicamente, estos pacientes son típicamente
disneicos, taquipneicos y cianóticos [6]. Con una eficacia limitada de la terapia antiviral directa, el tratamiento se basa
principalmente en la atención de apoyo, incluida la ventilación mecánica, con casos graves que requieren oxigenación por
membrana extracorpórea (ECMO) [7], manejo de líquidos y electrolitos y anticoagulación en casos seleccionados. La tasa de
mortalidad de los pacientes con SDRA oscila entre el 35 y el 50%, pero puede llegar al 80% en pacientes con COVID-19 [7].
Una posible razón de la tasa de mortalidad muy alta en estos pacientes podría ser una asociación con un mayor riesgo de
enfermedad tromboembólica, incluida la embolia pulmonar. Datos recientes sugieren una incidencia de hasta el 31% en los
pacientes críticos [8].

La base inmunológica de COVID-19

El SARS-CoV2 es un ARN de cadena sencilla de sentido positivo, beta-coronavirus [9]. Los virus de ARN tienen una mayor tasa de mutación

que los virus de ADN, que es una de las razones por las cuales el SARS-CoV2 es altamente adaptable y sostenible [10]. Este virus comprende cuatro

proteínas principales: espiga, membrana, envoltura y proteínas de nucleocápside [11]. El SARS-Cov2 ingresa a las células huésped, que son principalmente

células de neumocitos tipo II, usando el receptor de la enzima convertidora de células de angiotensina II (ACE-II) [12]. Una vez que el virus se une y entra en

la célula huésped (a través de la endocitosis), su ARN monocatenario replica más copias de sí mismo utilizando la ARN polimerasa dependiente de ARN

dentro del citoplasma de la célula huésped. Esta progenie viral adquiere una nueva envoltura de la membrana celular y sale de la célula huésped [12]. La

respuesta inmune que provoca el huésped contra el virus daña los pulmones y está compuesta de componentes celulares y humorales. Las células T CD-4

auxiliares median una respuesta inmune a la infección viral. Las células citotóxicas T CD8 secretan perforina, granzima, interferón gamma y una amplia

gama de quimiocinas, incluidas IL-1, IL-6, IL-8, IL-21, TNF-beta y MCP-1. Estos están implicados en la orquestación de una "tormenta de citoquinas" que

causa destrucción alveolar severa y conduce al síndrome de dificultad respiratoria aguda (SDRA) [13]. El brazo humoral del sistema inmune mediado por las

células B libera anticuerpos específicos para los antígenos virales (proteína espiga en la envoltura del SARS-Cov2). Las células citotóxicas T CD8 secretan

perforina, granzima, interferón gamma y una amplia gama de quimiocinas, incluidas IL-1, IL-6, IL-8, IL-21, TNF-beta y MCP-1. Estos están implicados en la

orquestación de una "tormenta de citoquinas" que causa destrucción alveolar severa y conduce al síndrome de dificultad respiratoria aguda (SDRA) [13]. El

brazo humoral del sistema inmune mediado por las células B libera anticuerpos específicos para los antígenos virales (proteína espiga en la envoltura del

SARS-Cov2). Las células citotóxicas T CD8 secretan perforina, granzima, interferón gamma y una amplia gama de quimiocinas, incluidas IL-1, IL-6, IL-8,

IL-21, TNF-beta y MCP-1. Estos están implicados en la orquestación de una "tormenta de citoquinas" que causa destrucción alveolar severa y conduce al síndrome de dificultad respira

El paisaje de imágenes para COVID-19

Imagen estructural

El papel de las imágenes médicas en el manejo clínico de COVID19 está evolucionando. En la primera línea, se
han realizado radiografías de tórax (CXR), tomografía computarizada (TC) e incluso ecografía (EE. UU.) Para complementar
el diagnóstico clínico y controlar el curso clínico de la
enfermedad ( Tabla 1). Más recientemente, se han publicado pautas más articuladas para imágenes de CT en pacientes con
COVID-19, incluidas las pautas de la sociedad Fleischner, que postula que las imágenes no están indicadas en individuos
asintomáticos o incluso en aquellos con síntomas leves sospechosos de tener COVID-19 [14]. Se reserva principalmente para
pacientes con características moderadas a graves de COVID19, independientemente de los resultados de la prueba como un
medio de triaje médico y para complementar el diagnóstico, y puede limitarse a pacientes con deterioro funcional y / o hipoxemia
después de la recuperación de COVID-19 [14] .

Las imágenes de CXR pueden ser negativas durante los primeros días de infección sintomática. Cuando es positivo, muestra

opacidades parciales difusas bilaterales con un poco de ahorro bibasilar ( Figura 1) [ 13] Los hallazgos en CT de COVID-19 generalmente

incluyen opacidades bilaterales de vidrio esmerilado, consolidado o redondeado, que muestran un patrón de distribución más periférico ( Figura

2). En aproximadamente el 20% de los casos, puede haber un patrón de pavimentación loco (engrosamiento septal interlobular superpuesto

en opacidades de vidrio esmerilado) ( Fig. 3) [ dieciséis]. La tomografía computarizada en serie se puede realizar para evaluar la densidad y

el patrón de estas opacidades para determinar la progresión o regresión de la enfermedad [14]. Por lo general, no hay evidencia de

cavitación pulmonar, nódulos discretos, derrame pleural o linfadenopatía. Si estas características de imágenes de TC están presentes en un

paciente con COVID-19 positivo, debe suscitar la sospecha de superinfección. Sin embargo, hay un número creciente de casos que tienen

émbolos pulmonares asociados [15-17] ( Fig. 4).

Aunque no se refleja ampliamente en las estadísticas de población con respecto a los síntomas cardinales y los resultados de la presente

pandemia [18], hubo una preocupación temprana por las complicaciones neurológicas relacionadas con este virus específico [19]. Se ha postulado que los

síntomas neurológicos se observan principalmente en pacientes con SDRA grave [20], pero pronto las manifestaciones clínicas (incluyendo dolor de cabeza,

náuseas y vómitos, eventos cerebrovasculares agudos, alteración de la conciencia) también se reconocieron en pacientes sin infección respiratoria grave.

[21] La vinculación de la infección por SARS-CoV-2 con un estado protrombótico que causa tromboembolismo venoso y arterial y niveles elevados de

dímero D se ha relacionado principalmente como causa [22]. Los parámetros anormales de la coagulación se asocian con un mal pronóstico en pacientes

con neumonía por coronavirus novedosa [22]. Es probable que los efectos secundarios de las respuestas inmunológicas e inflamatorias dirigidas hacia el

sistema nervioso sean causales, pero la propensión neuroinvasiva, demostrada como una característica común de los coronavirus, también se considera

válida para el SARS-CoV2, que probablemente ingresa y afecta las neuronas medulares durante el período de latencia debido a su propensión a la

disrupción de las células endoteliales. Esto posiblemente contribuye a la insuficiencia respiratoria aguda en ciertos pacientes [23]. Finalmente, un

subconjunto de pacientes experimenta manifestaciones del sistema nervioso periférico como anosmia y ageusia [24]. que probablemente ingresa y afecta a

las neuronas medulares durante el período de latencia debido a su propensión a la disrupción de las células endoteliales. Esto posiblemente contribuye a la

insuficiencia respiratoria aguda en ciertos pacientes [23]. Finalmente, un subconjunto de pacientes experimenta manifestaciones del sistema nervioso

periférico como anosmia y ageusia [24]. que probablemente ingresa y afecta a las neuronas medulares durante el período de latencia debido a su

propensión a la disrupción de las células endoteliales. Esto posiblemente contribuye a la insuficiencia respiratoria aguda en ciertos pacientes [23].

Finalmente, un subconjunto de pacientes experimenta manifestaciones del sistema nervioso periférico como anosmia y ageusia [24].
 Actualmente, las características de imagen relacionadas con las complicaciones neurológicas del virus son consistentes
con el accidente cerebrovascular relacionado con la oclusión y encefalopatía de grandes vasos ( Fig. 5) con mejora leptomeníngea
reportada y parálisis de los nervios craneales [25,26], que en la gran mayoría se observan en sujetos con manifestaciones
alternativas graves de infección por Covid-19 [27,28]. En ocasiones es bastante difícil distinguir los eventos isquémicos relacionados
con la replicación viral de los factores y mecanismos de riesgo vascular competitivos preexistentes y se requieren cohortes más
grandes con comorbilidades y detalles clínicos bien documentados. No obstante, la experiencia anecdótica sugiere que en una
cantidad significativa de casos asociados con diversos signos neurológicos, incluso cuando las imágenes generalmente se han
considerado poco reveladoras o, a menudo, normales.

Otra modalidad de imagen funcional de interés en el contexto es la TC de energía dual (DECT). Mediante la adquisición de

dos series de TC separadas en el pico de kilovoltios alto y bajo (kVp) respectivamente, es posible calcular la densidad de yodo, el

número atómico efectivo promedio o las imágenes mono energéticas virtuales [29]. DCET que muestra baja densidad de yodo sugiere

una disminución del flujo sanguíneo dentro de las opacificaciones, lo que contrasta con un aumento de la densidad de yodo en el borde

de estas opacificaciones. Este fenómeno observado puede explicarse por la hipoxemia posiblemente relacionada con

microembolia [30]

Imágenes PET

La tomografía por emisión de positrones (PET) es el sello distintivo de la imagen funcional. 18Fluorodeoxiglucosa (FDG) es

el radiotrazador básico que se utiliza para evaluar la actividad metabólica de los procesos de la enfermedad, especialmente las

enfermedades malignas. Los procesos infecciosos / inflamatorios pueden ser intensamente ávidos de FDG dado el papel de las

citocinas en la regulación positiva de los receptores de glucosa que conducen a una mayor absorción de FDG [31]. FDG-PET se puede

utilizar para evaluar el grado de infección o la respuesta inflamatoria a la enfermedad pulmonar infecciosa. FDG-PET se ha utilizado en

diversas enfermedades infecciosas, como el VIH / SIDA, la toxoplasmosis y la osteomielitis, entre otras [32]. La tomografía PET

generalmente no se usa en el tratamiento de la neumonía, pero puede ofrecer los siguientes beneficios: (1) identificación temprana de

procesos inflamatorios que no se pueden ver solo con la tomografía computarizada, (2) evaluación cuantificable de la progresión /

regresión de la enfermedad basada en la diferencia delta en la señal que refleja los cambios en el proceso inflamatorio / infeccioso, y

(3) detección temprana de secuelas como pleuritis, absceso o sepsis [32]. Dado que se ha demostrado que es útil para obtener

imágenes de las infecciones pulmonares, como la tuberculosis y la neumonía atípica [33], su papel potencial en el manejo de COVID19,

aunque pequeño, puede extrapolarse ( Fig. 6).

El papel de la inteligencia artificial en la imagen COVID-19

Pocos argumentarían que la IA está causando un cambio de paradigma en la atención médica y que podría ser valioso la

aplicación de la IA al brote actual de COVID-19. Las aplicaciones de la IA en COVID-19 van desde la predicción del riesgo de infección

hasta la curación de registros de salud y diagnóstico por imagen

[34,35]. Existe un gran interés por las aplicaciones de IA en la tomografía computarizada de TC y la radiografía COVID-19. Una revisión

exhaustiva de este panorama está más allá del alcance de este artículo, pero destacaremos algunas áreas clave de desarrollo. Casi

todos los modelos de IA diseñados para COVID-19 tienen un enfoque clínico. Hay varias competiciones importantes que se centran en

este dominio, incluido el desafío MIT COVID-19 y el Imaging COVID19 AI [36,37]. Dentro de las imágenes estructurales, las principales

áreas donde se ha aplicado AI incluyen la detección de hallazgos de COVID-19 en CXR / CT [38]. Hay varios estudios que han

mostrado modelos de IA que diferencian las características de imagen de COVID-19 de las de neumonía adquirida en la comunidad y

han mostrado una tasa variable de precisión y poder predictivo [39-45] ( Tabla 2). Más recientemente, los enfoques de imágenes

cuantitativas impulsados ​por el aprendizaje automático, como Radiomics, también se han aprovechado como una herramienta para el

diagnóstico automatizado de COVID-19 [46]. Si bien la mayoría de estos estudios muestran conjuntos de datos de entrenamiento

bastante considerables y tasas de precisión impresionantes, existe una gran oportunidad para homogeneizar / estandarizar estos

modelos para crear una plataforma unificada para la detección basada en AI de COVID-19 en CXR / CT. Más allá de eso, los enfoques

basados ​en IA se han utilizado para la cuantificación de la progresión de la enfermedad con el fin de evaluar la gravedad [47]. Estos

modelos se centran en el cálculo de la diferencia delta en la extensión / propagación de las opacidades irregulares en los pulmones, y

estudian otras características como la hiperinflación / hiperlucencia y los cambios vasculares.

Estas metodologías de IA pueden considerarse como un "asistente de radiólogo" como una forma de diagnóstico
asistido por computadora útil en entornos donde el radiólogo experto está sobrecargado o no está disponible. Un modelo más
"automatizado" puede ser útil para los médicos sin imágenes en entornos más urgentes. Por otro lado, dentro de un entorno de
ensayo clínico, dichos modelos pueden evaluar cambios cualitativos y proporcionar puntajes cuantitativos de procesos
fisiopatológicos, como fibrosis, hiperinflación y cambios en el flujo vascular; que puede usarse como biomarcadores de
diagnóstico y pronóstico secundarios o sustitutos.

Una tarea mucho más desafiante es detectar signos tempranos (o "predecir") manifestaciones neurológicas o complicaciones de COVID-19. El

escenario de nuevo deterioro neurológico en un sujeto previamente sano con hallazgos de laboratorio típicos de COVID-19 y síntomas respiratorios es un

caso ideal para un diagnóstico definitivo; sin embargo, los sujetos sanos que, de lo contrario, se presentan con dolor de cabeza y mareos inespecíficos en

ausencia de otras pruebas relacionadas con COVID-19 pueden presentar un desafío diagnóstico. Por ejemplo, pacientes con dificultad para hablar, debilidad

unilateral, parálisis nerviosa, desorientación, alucinaciones y trastornos neuropsiquiátricos en el contexto de enfermedades neurológicas existentes [48].

Además, los pacientes que toman medicamentos inmunosupresores para enfermedades autoinmunes, como la esclerosis múltiple, que pueden tener un

mayor riesgo de desarrollar complicaciones, plantean escenarios extremos pero reales que se beneficiarán de un diagnóstico asistido por IA. Hasta ahora,

no se ha emprendido ninguna iniciativa para estos grupos de pacientes y, ciertamente, las características inespecíficas de IRM del cerebro plantean

dificultades para un diagnóstico precoz. Sin embargo, un objetivo digno es crear un algoritmo que combine patrones "ocultos" en imágenes "ricas" a

diferencia de otras enfermedades, teniendo en cuenta los signos clínicos y los hallazgos de laboratorio para realizar una evaluación de riesgos,

posiblemente un diagnóstico precoz y la predicción de efectos a largo plazo. Además, el análisis predictivo puede clasificar a pacientes con enfermedades

leves o moderadas que necesitan camas y que pueden irse a casa de forma segura, con no se ha emprendido ninguna iniciativa para estos grupos de

pacientes y, ciertamente, las características inespecíficas de IRM del cerebro plantean dificultades para un diagnóstico temprano. Sin embargo, un objetivo

digno es crear un algoritmo que combine patrones "ocultos" en imágenes "ricas" a diferencia de otras enfermedades, teniendo en cuenta los signos clínicos

y los hallazgos de laboratorio para realizar una evaluación de riesgos, posiblemente un diagnóstico precoz y la predicción de efectos a largo plazo. Además,

el análisis predictivo puede clasificar a pacientes con enfermedades leves o moderadas que necesitan camas y que pueden irse a casa de forma segura, con no se ha emprendido ning
Los recursos hospitalarios de neurología se redujeron, de forma análoga a un estudio publicado recientemente sobre síntomas respiratorios

[49].

El volumen de evidencia y experiencia con imágenes para COVID-19 está creciendo exponencialmente. Y la IA se está
empleando cada vez más para automatizar y / o mejorar el análisis e interpretación de estos estudios. A medida que ingresamos en lo
que podrían ser las etapas posteriores de la pandemia, con suerte, nos estamos volviendo más expertos y matizados en cómo
usamos las imágenes y la IA para manejar mejor a los pacientes con COVID-19. Estas experiencias, junto con los modelos de IA
capacitados, también nos servirán para optimizar el manejo basado en imágenes de otras enfermedades pulmonares infecciosas /
inflamatorias en el futuro.

Referencias

1) Bai, Y MD, Yao, L MD, Wei, T MD; et al. Presunta transmisión portadora asintomática de
COVID-19, diario de el médico estadounidense Asociación, 21 de febrero de
2020; 323 (14): 1406-1407. doi: 10.1001 / jama.2020.2565
2) Cholankeril G, Podboy A, Aivaliotis VI, Tarlow B, Pham EA, Spencer S, Kim D, Hsing A,
Ahmed A, alta prevalencia de manifestaciones gastrointestinales concurrentes en pacientes con SARS-CoV-2:
experiencia temprana de California, Gastroenterología (2020).
3) Nazir T, Masaud M, Nazir T, Kayani R, Masaud M, Manzoor S, Taha N. EPIDEMIOLOGÍA,
GENOM GRAVE AGUDA RESPIR. Biomed Sci. 2019; 4: 3-7.
4) Benny R, Khadilkar SV, Raghu P, Jeevanandham B, Rajoo Ramachandran JR,
Paneerselvam P, Trisolini BJ, Taha M, Matloub MS, Diesing TS, Incecik F. COVID 19: Manifestaciones
neuromusculares. Anales de la Academia India de Neurología. 2020 1 de abril; 23 (7): 40.

5) Liu, Y, Yan LM, Wan, L, Xian, TX, Le, A, Liu JM, et al; Dinámica viral en leves y graves
Casos de COVID-19, La lanceta Enfermedades infecciosas, 19 de marzo de 2020
DOI: https://doi.org/10.1016/1473-3099(20)30232-2 .
6) Mathay, M, Aldrich, M, Gotts, J, Tratamiento para la dificultad respiratoria aguda severa
Síndrome de COVID-19, The Lancet Respiratory Medicine, 20 de marzo de 2020,
7) Tang X, Wu C, Li X, Song Y, Yao X, Wu X, Duan Y, Zhang H, Wang Y, Qian Z, Cui J.
origen y evolución continua del SARS-CoV-2. National Science Review. 2020 mar.
8) Klok FA, Kruip MJ, Van der Meer NJ, Arbous MS, Gommers DA, Kant KM, Kaptein FH, van
Paassen J, Stals MA, Huisman MV, Endeman H. Confirmación de la alta incidencia acumulada de complicaciones
trombóticas en pacientes críticos en UCI con COVID-19: un análisis actualizado. Investigación sobre trombosis.
2020 abr 30.
9) Astuti I, Ysrafil. Coronavirus 2 del síndrome respiratorio agudo severo (SARS-CoV-2): un
Resumen de la estructura viral y la respuesta del huésped [publicado en línea antes de la impresión, 18 de abril de 2020]. Diabetes

Metab Syndr. 2020; 14 (4): 407-412. doi: 10.1016 / j.dsx.2020.04.020

10) Denison MR. Síndrome respiratorio agudo severo coronavirus patogénesis, enfermedad y
vacunas: una actualización. La revista de enfermedades infecciosas pediátricas. 1 de noviembre de 2004; 23 (11): S207-

14)
11) Pedersen SF, Ho YC. SARS-CoV-2: se desata una tormenta. El Diario de Investigación Clínica.
2020 27 de marzo.

12) Ng MY, Lee, E, Yang, J, Yang FG, Li, X, Wang, H, y otros; Perfil de imagen del COVID-19
Infección: Hallazgos radiológicos y revisión de la literatura, Radiology Society of North America, 13 de febrero
de 2020, https://doi.org/10.1148/ryct.2020200034 .
13) Wong HY, Lam HY, Fong AH, Leung ST, Chin TW, Lo CS, Lui MM, Lee JC, Chiu KW, Chung
T, Lee EY. Frecuencia y distribución de hallazgos radiográficos de tórax en pacientes con COVID-19 positivo. Radiología. 2020

27 de marzo: 201160.

14) Bernheim A, Mei X, Huang M, Yang Y, Fayad ZA, Zhang N, Diao K, Lin B, Zhu X, Li K, Li S.
Hallazgos de TC de tórax en la enfermedad por coronavirus-19 (COVID-19): relación con la duración de la infección. Radiología.

2020 20 de febrero: 200463.

15. Chen J, Wang X, Zhang S, Liu B, Wu X, Wang Y, Wang X, Yang M, Sun J, Xie Y. Hallazgos de
embolia pulmonar aguda en pacientes con COVID-19. Disponible en SSRN 3548771. 2020 Mar
1)
dieciséis. Xie Y, Wang X, Yang P, Zhang S. COVID-19 complicado por embolia pulmonar aguda.
Radiología: imágenes cardiotorácicas. 2020 16 de marzo; 2 (2): e200067.

17) Grillet F, Behr J, Calame P, Aubry S, Delabrousse E. Embolia pulmonar aguda

asociado con la neumonía por COVID-19 detectada por angiografía pulmonar por TC. Radiología. 2020 23 de
abril: 201544 ..
18) Docherty K, Butt J, de Boer R, Dewan P, Koeber L, Maggioni A, McMurray J, Solomon S,
Jhund PS. Muertes de Covid-19: ¿Quiénes son las víctimas olvidadas? medRxiv. 2020 1 de enero.

19) Bernard-Valnet R, Pizzarotti B, Anichini A, Demars Y, Russo E, Schmidhauser M, Cerruti-

Sola J, Rossetti AO, Du Pasquier R. Dos pacientes con meningoencefalitis aguda concomitante con infección por
SARS-CoV-2. medRxiv. 2020 1 de enero.
20) Helms J, Kremer S, Merdji H, Clere-Jehl R, Schenck M, Kummerlen C, Collange O, Boulay
C, Fafi-Kremer S, Ohana M, Anheim M. Características neurológicas en la infección grave por SARS-CoV-2. New
England Journal of Medicine. 2020 15 de abril.
21) Mao L, Jin H, Wang M, Hu Y, Chen S, He Q, Chang J, Hong C, Zhou Y, Wang D, Miao X.
Manifestaciones neurológicas de pacientes hospitalizados con enfermedad por coronavirus 2019 en Wuhan, China. JAMA

neurología. 2020 10 de abril.

22) Tang N, Li D, Wang X, Sun Z. Los parámetros de coagulación anormales se asocian con pobre
pronóstico en pacientes con nueva neumonía por coronavirus. Revista de trombosis y hemostasia. 2020 abr
1.
23) Li YC, Bai WZ, Hashikawa T. El potencial neuroinvasivo del SARS-CoV2 puede desempeñar un papel en

la insuficiencia respiratoria de pacientes con COVID-19 [publicado en línea antes de la impresión de febrero

27, 2020]. J Med Virol. 2020; 10.

24) Dinkin M, Gao V, Kahan J, Bobker S, Simonetto M, Wechsler P, Harpe J, Greer C, Mints G,
Salama G, Tsiouris AJ. COVID-19 que se presenta con oftalmoparesia por parálisis del nervio craneal. Neurología. 2020 1
de mayo.
25) Vaira LA, Salzano G, Deiana G, De Riu G. Anosmia y ageusia: hallazgos comunes en
Pacientes con COVID-19. El laringoscopio. 2020 abr 1.
26) Helms J, Kremer S, Merdji H, Clere-Jehl R, Schenck M, Kummerlen C, Collange O, Boulay
C, Fafi-Kremer S, Ohana M, Anheim M. Características neurológicas en la infección grave por SARS-CoV-2. New
England Journal of Medicine. 2020 15 de abril.
27) Oxley TJ, Mocco J, Majidi S, Kellner CP, Shoirah H, Singh IP, De Leacy RA, Shigematsu T,
Ladner TR, Yaeger KA, Skliut M. Golpe de grandes vasos como característica de presentación de Covid-19 en los jóvenes. New

England Journal of Medicine. 2020 28 de abril: e60.

28) Beyrouti R, Adams ME, Benjamin L, Cohen H, Farmer SF, Goh YY, Humphries F, Jäger HR,
Losseff NA, Perry RJ, Shah S. Características del accidente cerebrovascular isquémico asociado con COVID-

19. Revista de Neurología, Neurocirugía y Psiquiatría. 2020 abr 30.

29) Hounsfield GN. Exploración axial transversal computarizada (tomografía): Parte 1.
Descripción del sistema. La revista británica de radiología. 1973 Dic; 46 (552): 1016-22.
30) Hipoxemia relacionada con COVID-19: anomalías vasculares y de perfusión en energía dual
Connecticut. Min Lang, Avik So, Dexter P Mendoza, et al.

31) Love C, Tomas MB, Tronco GG, Palestro CJ. FDG PET de infección e inflamación.
Radiografía Septiembre de 2005; 25 (5): 1357-68.

32) Vaidyanathan, S, Patel, C.N, Scarsbrook, AF, Chowdhury, FU, FDG PET / CT en infección
e inflamación: aplicaciones clínicas actuales y emergentes, Clinical Radiology, julio de 2015; 70 (7): 787-800,
Disponible en, https://doi.org/10.1016/j.crad.2015.03.010.
33) Win Z, Todd J, Al-Nahhas A. FDG-PET en la neumonía por Pneumocystis carinii.
Medicina nuclear clínica. Octubre de 2005; 30 (10): 690-1.

34) Shweta FN, Murugadoss K, Awasthi S, Venkatakrishnan AJ, Puranik A, Kang M, Pickering
BW, O'Horo JC, Bauer PR, Razonable RR, Vergidis P. La curación aumentada de notas clínicas no estructuradas
de un sistema de EHR masivo revela una firma fenotípica específica del diagnóstico inminente de COVID-19.
preimpresión arXiv arXiv: 2004.09338. 2020 abr
17)
35) Shi F, Wang J, Shi J, Wu Z, Wang Q, Tang Z, He K, Shi Y, Shen D. Revisión de artificial
Técnicas de inteligencia en adquisición de datos de imagen, segmentación y diagnóstico para covid-19. Revisiones
IEEE en Ingeniería Biomédica. 2020 16 de abril.
36) https://covid19challenge.mit.edu/ (última visita 29/04/20).
37) https://imagingcovid19ai.eu/ (última visita 10/05/20).
38) Mei X, Lee HC, Diao K, Huang M, Lin B, Liu C, Xie Z, Ma Y, Robson PM, Chung M,
Bernheim A. Inteligencia artificial para la identificación rápida de la enfermedad por coronavirus 2019 (COVID-19).
medRxiv. 2020 1 de enero.
39) Shi F, Wang J, Shi J, Wu Z, Wang Q, Tang Z, He K, Shi Y, Shen D. Revisión de artificial
Técnicas de inteligencia en adquisición de datos de imagen, segmentación y diagnóstico para covid-19. Revisiones
IEEE en Ingeniería Biomédica. 2020 16 de abril.
40) Li L, Qin L, Xu Z, Yin Y, Wang X, Kong B, Bai J, Lu Y, Fang Z, Song Q, Cao K. Artificial
inteligencia distingue COVID-19 de la neumonía adquirida en la comunidad en la TC de tórax. Radiología. 2020 19 de
marzo: 200905.
41) Wang L, Wong A. COVID-Net: un diseño de red neuronal convolucional profunda a medida para
detección de casos de COVID-19 a partir de imágenes de radiografía de tórax. preimpresión de arXiv arXiv: 2003.09871. 2020

22 de marzo.

42) Wang S, Kang B, Ma J, Zeng X, Xiao M, Guo J, Cai M, Yang J, Li Y, Meng X, Xu B. Un profundo
algoritmo de aprendizaje utilizando imágenes de CT para detectar la enfermedad del virus de la corona (COVID-19). MedRxiv. 2020 1 de enero.

43) Identificación de Apostolopoulos, Mpesiana TA. Covid-19: detección automática de imágenes de rayos x

utilizando transferencia de aprendizaje con redes neuronales convolucionales. Ciencias Físicas e Ingeniería en Medicina.

2020 6 de abril: 1.

44) Narin A, Kaya C, Pamuk Z. Detección automática de la enfermedad por coronavirus (covid-19) usando x-

imágenes de rayos y redes neuronales convolucionales profundas. preimpresión de arXiv arXiv: 2003.10849. 2020 24 de marzo.

45) Afshar P, Heidarian S, Naderkhani F, Oikonomou A, Plataniotis KN, Mohammadi A.

Covid-caps: un marco basado en red de cápsulas para la identificación de casos de covid-19 a partir de imágenes de rayos x.

preimpresión arXiv arXiv: 2004.02696. 2020 abr 6.

46) Fang M, He B, Li L, Dong D, Yang X, Li C, Meng L, Zhong L, Li H, Li H, Tian J. CT radiomics

puede ayudar a detectar la enfermedad por coronavirus 2019 (COVID-19): un estudio preliminar. Ciencia China Information

Sciences. 2020; 63 (7).

47) Tang Z, Zhao W, Xie X, Zhong Z, Shi F, Liu J, Shen D. Evaluación de la gravedad del coronavirus
enfermedad 2019 (COVID-19) utilizando características cuantitativas de imágenes de TC de tórax. preimpresión de arXiv arXiv:

2003.11988. 2020 26 de marzo.

48) Helms J, Kremer S, Merdji H, Clere-Jehl R, Schenck M, Kummerlen C, Collange O, Boulay

C, Fafi-Kremer S, Ohana M, Anheim M. Características neurológicas en la infección grave por SARS-CoV-2. New
England Journal of Medicine. 2020 15 de abril.
49) Jiang X, Café M, Bari A, Wang J, Jiang X, Huang J, Shi J, Dai J, Cai J, Zhang T, Wu Z.
Hacia un marco de inteligencia artificial para la predicción basada en datos de la gravedad clínica del coronavirus.

CMC-Computadoras, Materiales y Continua. 2020 1 de enero; 63 (1): 537-1.

FIGURAS Y TABLAS

Figura 1 - Radiografía de película simple de tórax de un paciente con COVID-19 pulmonar: Opacificación periférica predominante en los

pulmones bilaterales y desenfoque del hemidiafragma derecho. Las opacidades distribuidas basilares en la radiografía de tórax siguen siendo

características de la infección por COVID-19.

Figura 2 - Tomografía computarizada de un paciente con COVID-19 pulmonar: Imagen axial con opacidades características de
vidrio esmerilado periférico con vasos visibles que cursan dentro de las opacidades. Podría representar inflamación de la vaina
broncovascular o una respuesta a la hipoxemia.
Figura 3 - Imagen de TC de un paciente con COVID-19 pulmonar grave: Imagen axial con cambios de etapa tardía a COVID-19. Se

observan varias consolidaciones en ambos pulmones. Dentro del lóbulo superior derecho posterior, se ve un área de apariencia arcada

(punta de flecha negra). Dentro del lóbulo superior derecho anterior se ve un área con un patrón de "pavimento loco" con opacificación

de vidrio esmerilado y engrosamiento septal interlobular suprayacente (puntas de flecha blancas).

Figura 4 - TC con contraste intravenoso en un paciente con COVID-19 pulmonar: La imagen de la tomografía computarizada coronal

muestra varios émbolos pulmonares (puntas de flecha blancas) en la arteria del lóbulo inferior izquierdo, el lóbulo superior derecho y las

arterias segmentarias del lóbulo medio derecho. Las consolidaciones características de COVID-19 en la periferia también se aprecian en esta

ventana de tejido blando (flechas blancas).

Figura 5 - Manifestaciones neurológicas de COVID-19 en MRI (AD): Paciente con COVID-19 con dificultades para encontrar

palabras, falta de coordinación bilateral, hemianopsia homónima derecha 15 días después de la aparición de síntomas de COVID-19

(tos, dificultad para respirar, fiebre, mialgia, pérdida de apetito). La resonancia magnética de admisión mostró una infractura aguda en el

cerebelo izquierdo (flecha en A) con señal hiperintensa de FLAIR, así como trombo en la arteria vertebral izquierda (flecha en B), TC de

pulmón
mostró hallazgos severos típicos de infección por Covid-19 con focos periféricos predominantes de consolidación bilateral
(C). En el curso de la enfermedad, el paciente experimentó embolia pulmonar, trombosis venosa profunda oclusiva en la
extremidad inferior izquierda e infartos isquémicos progresivos en la circulación posterior (flechas en D) como lo demuestra
la señal hiperintensa de FLAIR.

Figura 6 - Hallazgos de COVID-19 en FDG PET / CT (AE): Pacientes con COVID-19 positivos con manifestaciones respiratorias.
La FDG-PET / CT mostró opacidades parcheadas multilobulares en imágenes de TC coronal y axial (A, B) con captación de FDG de
intensidad moderada aumentada difusamente en imágenes de PET / CT coronal y axial (C, D) y en una imagen reconstruida
tridimensional (E ) (Cortesía del Dr. Maldonado, Hospital Quirón, Madrid, España).

Tabla 1: Modalidades de imagen en el manejo de COVID-19

Modalidad de Indicaciones Resultados clave Fortalezas Limitaciones

imagen

CXR Evaluación de Opacidades difusas Evaluación en serie de Puede ser negativo en

rutina bilaterales difusas y características la etapa inicial /
predominantes destacadas, fácil de
periféricas realizar, portátil, baja
 radiación
Connecticut Línea de base, vidrio molido Información Información
evaluación de la bilateral, estructural funcional limitada /
progresión clínica, consolidante, óptima. nula, alta radiación.
secuelas. opacidades; loco
patrón de pavimentación

MASCOTA Sin uso clínico Absorción difusa de Evaluación de la Estudio costoso, más
definitivo FDG gravedad de la largo, beneficio
enfermedad. adicional limitado.

Tabla 2: Estudios clave en IA para imágenes COVID-19

Publicación Atención Metodología Resultados

Li, Lin y col. [40] Distinción 4,536 exámenes COVID-19 identificado en

COVID-19 de otra volumétricos de tomografía CT (AUROC 0.96).

neumonía. computarizada 3D Neumonía adquirida en la

3.506 pacientes comunidad identificada en

adquiridos en 6 centros CT (AUROC 0.95).

médicos. Metodología de Superposición encontrada

redes neuronales de en los hallazgos de

aprendizaje profundo imágenes de CT de todas

utilizada. las neumonías virales con

otras enfermedades

torácicas.

Wang, Linda y col. Detección de 13,975 imágenes CXR en N / A. (Herramienta de

13,870 casos de pacientes.
[41] COVID-19 en código abierto para uso

CXR. público).
Profunda

convolucional

red neuronal
Wang, Shuai y col. Detección de Imágenes de CT de 99 AUC de 0,90
[42] COVID-19 en CT. pacientes (de los (validación interna)
cuales 55 casos fueron y
de neumonía viral 0,78 (validación
típica y 44 de externa).
Sensibilidad de
 COVID-19). Red 80.5% y
neuronal 67,1%,
convolucional. especificidad de
84,2% 76,4%,
precisión de
82,9% y
73,1%, el valor de
predicción negativa

de 0,88 y 0,81.
Apostolopoulos, Detección de 1427 imágenes de rayos X La precisión,
Ioannis D., y col. [43] COVID-19 en (de las cuales 224 sensibilidad y
CXR. imágenes fueron de la especificidad
enfermedad COVID-19, obtenidas es
700 imágenes de neumonía 96.78%, 98.66% y

bacteriana común y 504 96.46%,

imágenes de condiciones respectivamente.
normales). Transferencia

de aprendizaje.

Narin, Ali y col. [44] Comparación del Modelos convolucionales El modelo PreNet entrenado
basados ​en redes de ResNet50 proporciona el
rendimiento de varios
neuronales (ResNet50, rendimiento de clasificación
métodos de aprendizaje InceptionV3 e más alto con un 98% de
profundo para la Inception-ResNetV2 precisión entre otros dos
modelos propuestos (97% de
detección de COVID-19
precisión para InceptionV3 y
en CXR.
87% de precisión para
InceptionResNetV2.

Afshar, Parnian, y Detección de Red neuronal Precisión del 95,7%,

convolucional. sensibilidad del 90%,
col. [45] COVID-19 en
especificidad de
CXR. 95.8%, y Área bajo la
curva (AUC) de 0.97. El
entrenamiento previo
mejoró la precisión al
98.3% y

especificidad al 98,6%.

Fang M y col. Detección de 75 pacientes con AUC de 0.862 y

neumonía (46 con 0.826 en el entrenamiento
[46] COVID-19 en CT. COVID-19, 29 conjunto y el conjunto de prueba,

otros tipos de respectivamente. La capacidad

neumonías) predictiva no se ve afectada por el

Radiomics + sexo, la edad, la enfermedad

Support vector crónica y el grado de gravedad.

machine

Tang Z, y col. Evaluación de 176 pacientes con Precisión 87.5% Tasa

COVID-19. Bosque al positiva verdadera
[47] gravedad de
azar. 93,3%, verdadero
COVID-19 tasa negativa 74.5%.