AI'nın "salgına" karşı savaşa katılmasına izin verin! Fudan bilimsel araştırma ekibi, yeni koroner pnömoniyi daha verimli bir şekilde teşhis etmeye yardımcı oluyor
Nükleik asit tespitinin doğruluğu yüksek değil mi? CT görüntülerinin manuel olarak tanımlanmasına güvenmek çok zaman ve enerji gerektirir mi? Yeni taç salgınının gerçek teşhis ihtiyaçlarıyla yüzleşen Fudan Üniversitesi araştırma ekibinin üzerinde çalıştığı yapay zeka destekli teşhis, daha iyi seçenekler sunabilir.
Fudan Üniversitesi, Fudan Üniversitesi Bilgisayar Bilimi ve Teknolojisi Okulu ve Büyük Veri Enstitüsü Başkan Yardımcısı Zhang Zhiyong, Şangay Halk Sağlığı Klinik Merkezi Radyoloji Bölümü (Fudan Üniversitesi'ne bağlı) ile birlikte 29 Ocak'ta resmi olarak 2019-nCoV pnömoni görüntüleme AI istihbaratını başlattı. Yardımcı tanı ile ilgili araştırma çalışmaları. Araştırma, AI akıllı algoritmalar aracılığıyla 2019-nCoV pnömonisinin ve diğer viral pnömoninin ve bakteriyel pnömoninin ve lezyon tespitinin görüntü sınıflandırmasını ve tanınmasını gerçekleştirmeyi ve klinik teşhise daha verimli bir şekilde yardımcı olmayı amaçlamaktadır. Şu anda elde edilen uygulama verileri, yeni koroner pnömoni türlerinin teşhisi için yanlış negatiflerin yaklaşık% 7 olduğunu göstermektedir (nükleik asit testi için yanlış negatifler% 30-% 50 kadar yüksektir).
21 Şubat'ta, yardımcı teşhis ekipmanı Halk Sağlığı Klinik Merkezine yerleştirildi. Hata ayıklanıp kuruluyor ve yakında klinik gerçek teste alınacak.
Model, kapı aralıkları ile tasarlanmıştır: bir vakanın 400 katmanlı görüntüsünden lezyon alanını doğru bir şekilde bulun
Yeni tip koronavirüsün neden olduğu pnömoni, BT görüntülemede diğer viral pnömoni ve bakteriyel pnömoni ile birçok benzerliğe sahiptir. Üç tip pnömoni görsel olarak benzer lezyonlara sahiptir (buzlu cam gölgeleri gibi) Mevcut klinik bulgular, lezyonların akciğer boşluğundaki dağılımının uygun kullanımı ve diğer farklılıklar ile ayırt edilebilir.
Fudan Üniversitesi Bilgisayar Bilimi ve Teknolojisi Okulu'nda profesör olan Xue Xiangyang, "Görüntüleme doktorlarının bir vakayı teşhis etmek için yaklaşık 400 görüntü katmanına bakması gerekiyor, artı karşılaştırma öncesi ve sonrası, en hızlı 5-10 dakika sürüyor ve algoritma yalnızca birkaç saniye sürüyor." Dedi ve Manuel tanı ile karşılaştırıldığında, yapay zeka destekli algoritmaların en büyük avantajı, doktorların lezyon alanını saniyeler içinde önceden keşfetmelerine yardımcı olan ve böylece doktorların görüntüleri okuma ve klinik tanı ve tedavinin verimliliğini artırma süresini büyük ölçüde azaltan görüntü okuma hızındadır.
Yapay zekanın bu savaş "salgınına" katılmak için yeni koroner pnömoniyi belirleme becerisine sahip olmasını nasıl sağlayabiliriz? Bunun arkasındaki gerçek "en güçlü beyin" algoritma modelidir.
Ekip hızla hareket etti ve akciğer BT görüntüleri için bir dizi derin sinir ağı modelini özelleştirmek için en gelişmiş derin öğrenme algoritmalarını kullandı. Uzun vadeli araştırmalarda biriken deneyim ve becerilerle, BT görüntüleri daha az etiketlendiğinde eğitim gerçekleştirildi Daha iyi performansa sahip bir model geliştirin.
Algoritma modeli blok diyagramı
"Bu aşamada, doktorların büyük miktarda görüntü verisinden yeni koroner pnömoni vakalarını hızlı bir şekilde teşhis etmesi gerekiyor. Ayrıca, ciddiyetini değerlendirmek için lezyonların yerini ve boyutunu teşhis etmeleri gerekiyor." Xue Xiangyang, ekibin klinik ihtiyaçlara yanıt olarak tasarım yapacağını tanıttı. Hedef, "pnömoni sınıflandırma ve tanımlama" ve "anahtar lezyon saptama" olmak üzere iki işlevde konumlandırılmıştır. Birincisi, sağlık durumunu, yeni koroner pnömoniyi, diğer viral pnömoniyi ve bakteriyel pnömoniyi ayırt etmektir ve ikincisi, buzlu cam gölgesi ve diğer lezyonları bulup izole etmektir. alan.
Ekip, yeni koroner pnömoni, diğer viral, bakteriyel pnömoni ve normal insanların BT görüntü verilerini toplama, sıralama ve kategorize etme temelinde bir teşhis algoritması modeli tasarladı, makinenin modeli eğitim için kullanmasına izin verdi ve CT görüntülerinde farklı pnömoni türlerini öğrenmesine izin verdi. Performansın farklı özellikleri ve nihayetinde akıllıca tanıya yardımcı olma ve klinisyenlerin güçlü bir asistanı olma becerisine sahiptir. Xue Xiangyang, "Bu süreçte, küçük örnek öğrenme ve küçük hedef tespiti gibi birçok teknik sorunu aşmak gerekiyor." Dedi.
"Küçük örnek öğrenme", daha az eğitim verisi örneği olması koşuluyla makine öğrenimini ifade eder. Salgının erken safhasında, nispeten az sayıda yeni koroner pnömoni görüntüleme verisi elde edilebilir ve ön safta görüntüleme doktorlarının ağır görevleri nedeniyle çok sayıda uzman ek açıklaması elde edilemez, bu nedenle algoritmaların daha az örnekle "kendi kendine öğretilmesi" gerekir. Bu amaçla ekip, algoritmanın belirli bir "küçük örnek öğrenme" yeteneğine sahip olmasını sağlamak ve doktorların etiketlemesinin iş yükünü artırmadan algoritma modelinin evrenselliğini daha iyi geliştirmek için kendi kendine aktarım öğrenmeye dayalı yarı denetimli öğrenme gibi teknikleri benimsemiştir. .
BT görüntü dilimlerinde lezyon alanı büyük veya küçük olduğundan ve büyük, orta ve küçük lezyon alanının alanı genellikle çok farklı olduğundan, algoritmanın aynı anda büyük, orta ve küçük hedefleri nasıl algılayacağı başka bir büyük sorundur. Ekip, lezyon alanının boyutuna karşılık gelecek şekilde sinir ağının hiyerarşik özelliklerini kullanıyor. "Ağın alt katmanı ayrıntılara, yani küçük lezyon alanına odaklanırken, ağın orta ila yüksek katmanları daha büyük ve daha büyük lezyon alanlarına odaklanır. Bu nedenle, model farklı düzeylerde Ağırlıklandırma ve füzyon eninde sonunda büyük ve küçük lezyonları aynı anda tespit etme hedefine ulaşacaktır. "Xue Xiangyang açıkladı.
Bu teşhis "artefaktı" ile radyologlar işlerini kaybedecekler mi? Xue Xiangyang, doktorların değiştirilemeyeceği konusunda çok net. "İnsanlar karmaşık bir vücuttur ve virüs enfeksiyonunun farklı kişilerdeki yansıması ille de aynı değildir." Makinelerin daha önce öğrenemediği küçük lezyonlar veya zor vakalarla karşılaşıldığında, görüntüleme doktorlarının deneyimine ve bilgeliğine hala ihtiyaç olduğunu söyledi.
Gelecekteki uygulamalar için bir kanal var: pnömoni görüntülerinin akıllıca tanımlanması ve prognoz tahmini için iyi bir yardımcı
Pratik problemleri çözme amacı ile proje, araştırma sürecinde her zaman klinik uygulamalarla yakından bütünleştirilmiştir. Hem makine öğrenimi verileri hem de test değerlendirme verileri klinik gerçek vakalardan elde edilir. Algoritma modelinin son haline getirilmesi sürecinde, modelin doğruluğunu ve genelleştirilmesini test etmek için ekip, test için gerçek şüpheli vakaları da kullandı.
Xue Xiangyang, "Gerçek vakanın tanısal testinde, şüpheli bir vakada tedaviden sonra küçük bir lezyon nüksü görüldü. Pnömoni sınıflandırma ve tanımlama algoritmamız vakayı normal kabul etti, ancak lezyon tespit algoritması küçük bir lezyon tespit etti." Bu, ekibin aynı anda birden fazla algoritmanın sonuçlarının füzyon analizini düşünmesini sağladı ve bu da modelin doğruluğunu daha da artırdı.
CT görüntüsü ve algoritma modeli tespitinden sonraki görselleştirme sonucu (gösteri alanında lezyonlar vardır)
Shanghai Halk Sağlığı Klinik Merkezi'nin görüntüleme departmanı yönetici ekibi ve Profesör Shi Yuxin ekibi, klinik uygulamadan pratik güç enjekte etti. Doktorlar, ekipteki öğrencilere lezyonları çevrimiçi platform aracılığıyla tanımlamaları için uzaktan rehberlik etti ve öğrencilere veri etiketleme konusunda danışmanlık yaptı. "Lezyonlar nelerdir, ne tür lezyonlar vb., Bu bilgiler çok karmaşıktır, ancak çok önemlidir. Algoritma eğitilmeden önce etiketleme bilgilerini bilmelidir." Aynı zamanda, doktorlar ilerlemeyi her gün algoritma ekibiyle senkronize etmekte ısrar ediyor ve ilgili sorunları ele alıyor. İyileştirme için öneriler. "İkisi de cephede savaştı ve bize yardım etmek için ellerinden geleni yaptılar ve bu salgın için çok fazla para ödediler." Xue Xiangyang hissetmekten kendini alamadı.
Ekip tarafından geliştirilen ilgili yardımcı teşhis ekipmanı sistemi 21 Şubat'ta, eklem testi ve ortak hata ayıklama için Şangay Halk Sağlığı Klinik Merkezine girdi. Bir sonraki adım, görüntüleme departmanı CT ekipmanı ve klinik uygulama süreci yerleştirme ile veri bağlantısını tamamlamak olacak. Klinik uygulamalarda, yardımcı teşhis yazılım sistemi ekipmandan gerçek zamanlı veriler alacak ve hızlı tanımlama gerçekleştirecektir. "Görüntüleme doktorları CT verilerini aldıklarında, yardımcı tanının sonuçlarını hemen görebilirler. Bunu bir referans olarak kullanmak, teşhis verimliliğini etkili bir şekilde artıracaktır."
Jiang Longquan, 21 Şubat akşamı, Şangay Halk Sağlığı Klinik Merkezine yardımcı teşhis ekipmanı yerleştirdi.
Araştırma projesi, pnömoni tipini doğru bir şekilde belirlemenin yanı sıra, hastalığın seyri ile ilgili yargıyı ve gelecekte hastalığın gelişiminin tahminini gerçekleştirecek ve doktorun teşhis ve tedavi planı için bir referans sağlayacaktır. "Hastanın vücut ısısını, kan testlerini ve diğer klinik verilerini artırmak ve çok modlu ve çoklu omik yapay zeka destekli tanı algoritmalarının araştırmasını kırmak için hastane ekibiyle çalışmaya devam edeceğiz." Xue Xiangyang, ilgili sonuçların sadece mevcut salgın sırasında bir rol oynamayacağını umuyor, Gelecekte pnömoni teşhis ve tedavisi uygulanmaya devam edecek.
Güçlü bilimsel araştırma: uzaktan işbirliği, zamana karşı yarış, takım savaş etkinliğini bileme
Xue Xiangyang, bu bilimsel araştırmanın deneyimine dönüp şöyle dedi: "Geçmişten en büyük farkı ve aynı zamanda en büyük zorluk uzaktan çalışmadır."
Xue Xiangyang liderliğindeki ekip, Bilgisayar Bilimi ve Teknolojisi Okulu ve Büyük Veri Araştırma Enstitüsü'nden 3 öğretmen ve yaklaşık 20 yüksek lisans öğrencisinden oluşuyor ve salgın altında ülke geneline dağılmış durumda. Üyeler gerçek zamanlı iletişim için işbirliğine dayalı ofis araçlarını kullandılar, bilgi işlem kaynaklarının, paylaşılan verilerin ve teknik belgelerin uzaktan dağıtımını koordine ettiler ve uzaktan işbirliğinin birçok sıkıntısının üstesinden gelmek için çok çalıştılar ve verilerin dağıtımını, temizliğini ve etiketlemesini kısa sürede tamamladılar.
Ekip üyeleri evde uzaktan araştırma yapar
"Herkes var olabilecek rahatsızlığı telafi etmek için daha fazla zaman ve enerji ödüyor." Xue Xiangyang, hassas etiketlemenin lezyonun konumunun ana hatlarıyla belirtilmesini gerektirdiğini ortaya koydu. Her vaka en az 400 çok katmanlı görüntü içeriyor ve daha az şiddetli enfeksiyonlu vakalar etiketleniyor Yaklaşık bir saat sürer Ağır enfeksiyonlu vakalarda daha fazla lezyon vardır ve çoğunun yaklaşık beş saat boyunca işaretlenmesi gerekir. "Bu çalışma, herkesin sabrını yumuşattı ve herkesin savaş etkinliğini yoğunlaştırdı." Ekip, gece gündüz 20 günden fazla sıkı çalışma ile pnömoni türlerinin ayırıcı tanısında ön sonuçlar elde etti. Yeni koroner pnömoni türlerinin yanlış negatif teşhisi% 7'dir. hakkında.
Zhang Zhiyong, "Bu araştırmayı yürüttüğümüzde, salgınla mücadele misyonu ve pratik sorunları çözme misyonuyla klinik ihtiyaçlardan klinik uygulamaya geri dönmeliyiz." Dedi.
Salgının ortaya çıkmasından bu yana, Fudan Üniversitesi fon toplayarak bir dizi acil durum ve orijinal araştırma projesi başlattı. Okul, yeni koronavirüs pnömonisine yanıt olarak bilimsel ve teknolojik araştırma projeleri veritabanı oluşturdu, ikinci grup acil araştırma projelerinin toplanmasını tamamladı ve bunları veri tabanına koydu ve multidisipliner disiplinler arası, medikal-endüstri entegrasyonu ve okul-işletme işbirliğini teşvik etti ve mümkün olan en kısa sürede salgınla mücadeleye yönelik araştırma sonuçlarını uyguladı. Bilimsel ve teknolojik destek sağlayın.
Virüsler acımasızdır ve insanlar tutkulu. Bilimsel araştırma savaşı "salgını" nda Fudan halkı zamana karşı yarışır.
Metin kelimeleri
Lv Aiyu Li Qinyuan
Açıklama: Bu makale, daha fazla bilgi vermek amacıyla çoğaltılmıştır. Kaynak etiketlemede bir hata veya yasal haklarınızın ihlali söz konusuysa, lütfen sahiplik sertifikası ile web sitesi ile iletişime geçin ve zamanında düzeltip sileceğiz, teşekkür ederiz.
Kaynak: Fudan Üniversitesi
