Los conjuntos de datos actuales para las tomografías computarizadas (TC) de pulmón son limitados debido a la calidad y el número de imágenes, y la evaluación de estas imágenes de TC son cualitativas, lo que dificulta su estandarización. En este estudio, Zaffino et al. proporcionaron un conjunto de datos de código abierto de 50 pacientes con COVID-19 confirmados por RT-PCR para aumentar las capacidades de traducción de los algoritmos de aprendizaje automático y brindar apoyo a las decisiones de los médicos. Para evaluar las imágenes de TC, un radiólogo asignó una puntuación clínica, que variaba de cero a cinco, según la cantidad de opacidades en vidrio deslustrado, consolidación y tejido más denso presente en cada tomografía computarizada. Cero representó 0% de afectación pulmonar, mientras que cinco representó> 75% de afectación pulmonar. Las tomografías computarizadas se segmentaron y filtraron para definir áreas de interés basadas en la densidad de vóxeles. Zaffino y col. usaron estos conjuntos de datos para crear un modelo de mezcla gaussiana (GMM) para detectar tipos de tejido y calificar cada escaneo antes de validar el GMM usando la condición clínica.