Search

Presentación para el Primer Congreso Iberoamericano de Ciencia Abierta del trabajo, Modelo de Gestión de Recursos Computacionales para Asistir la Reproducibilidad de Experimentos Científicos. Enlace de la presentación en Google Slides: https://docs.google.com/presentation/d/1EwehKUwh6kg62yxi3ld4ektvD-Yholv18CfuqwSpRCM/edit?usp=sharing

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. Abstract 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.

El show debe continuar, a pesar de que el mundo se encuentre resguardado en casa a raíz del surgimiento de un extraño virus que ha puesto a todos de cabeza. En este contexto histórico, los músicos enfrentan el reto de llegar a sus públicos, de ofrecer conciertos, de continuar dando clase, de ayudar a sobrellevar una emergencia internacional con el lenguaje universal, aquel que al igual que el virus, traspasa fronteras. Todo esto será registrado en este documento con ayuda de la etnografía virtual y siguiendo el ejemplo de tres músicos mexicanos que hacen uso de internet como herramienta para encontrar a su público en momentos donde los telones han caído. The show must continue, regardless of the fact that the world is sheltered at home due to the emergence of a strange virus that has turned all upside down. In this historical context, the musicians face the challenge of reaching their audiences, of giving concerts, of continuing to teach, of helping to overcome an international emergency with the universal language, that which, like the virus, crosses borders. With the help of virtual ethnography and following the example of three Mexican musicians who use the Internet as a tool to find their audiences, new scenarios for music are developed.

International audience; The globalization of trade and the organization of work are currently causing a large migratory flow towards the cities. This growth of cities requires new urban planning where digital tools take a preponderant place to capture data and understand and decide in face of changes. These tools however hardly resist to natural disasters, terrorism, accidents, etc. Based on the expertise of the CITI laboratory of INSA Lyon and SC3 of the Industrial University of Santander, we propose to create the ALERT project - Autonomous Liable Emergency service in Real Time - with decentralized, reliable and efficient services, physically close to the citizens, taking decisions locally, in a relevant manner without risk of disconnection with a central authority. These information gathering and decision-making will involve the population with participatory and social approaches.; La mondialisation des échanges et l'organisation du travail provoquent actuellement un flux migratoire important vers les villes. Cette croissance des villes nécessite de nouvelles planifications urbaines dans lesquelles le numérique prend une place de plus en plus prépondérante-la captation des données permettant de comprendre et décider face aux changements. Ces environnements numériques sont toutefois malmenés en cas de crises (catastrophes naturelles, terrorisme, accidents, etc). Basés sur l'expertise des laboratoires CITI de l'INSA de Lyon et SC3 de l'Université Industrielle de Santander, nous nous proposons de créer le projet ALERT-Autonomous Liable Emergency service in Real-Time. Avec des services décentralisés, fiables et efficaces, qui soient au plus proche des citoyens, les prises de décisions pourront s'effectuer en temps réel, localement, de manière pertinente sans risque de déconnexion avec une autorité centrale. Ces collectes d'informations et prises de décision mettront en jeu la population avec des approches participatives et sociales.