COVID-19 ve influenzayı ayırt etmek için derin öğrenme nasıl kullanılır? İlk taramadan kritik hastalık tahminine kadar beş çalışma
16 Mart itibarıyla ülke çapında 81.078 yeni koroner pnömoni vakası teşhis edilmiş ve yurt dışında toplam 85.133 vaka teşhis edilmiştir.Yurtdışında doğrulanmış vaka sayısı yurtiçi vakaları aşmıştır.CoVID-19'un küresel salgınının doğrulanmış olduğu tartışılmaz bir gerçektir.
Barutun olmadığı bu savaş alanında, görünmez savaşın ölümcüllüğü çıplak savaştan çok daha etkileyici.Örneğin, COVID-19 güçlü bir kamuflaj yeteneğine sahip ve ön cephedeki savaş alanındaki doktorların bunu "görmesi" zor. Gripten tam olarak ayırt edilir.
Öncelikle influenza ve COVID-19 bulaşıcıdır ve her ikisi de solunum yolu hastalıklarına neden olabilir. Tipik grip semptomları arasında ateş, öksürük, boğaz ağrısı, bacaklarda ağrı, baş ağrısı, burun akıntısı, burun tıkanıklığı, yorgunluk, kusma ve ishal bulunur. Yeni koroner pnömoninin en yaygın semptomları ateş, öksürük ve nefes darlığıdır ve hastaların% 5'inde boğaz şişkinliği vardır Hastaların% 1-2'sinde ağrı, ishal, bulantı ve kusma görülür.
Başka bir deyişle, solunum yolu virüsleri benzer semptomlara neden olur, bu nedenle COVID-19'u influenzadan semptomların kendisinden ayırt etmek zordur.
(Lei Feng Ağı)
Yapay zeka açısından doktorların COVID-19 ile yaygın grip arasındaki farkı bulmalarına yardımcı olabilir misiniz? Dünyanın her yerinden bilgisayar bilimcileri ve makine öğrenimi araştırmacıları kendi mesleklerinden başlıyor, bazı veri kümelerini derliyor ve pnömoni tespitini optimize etmek için AI algoritmaları oluşturuyor. Örneğin, veri bilimi yarışması platformu Kaggle'da zaten bir COVID-19 vaka veri seti vardır.Veriler, hastanın yaşı, hastanın yaşadığı yer, semptomların ne zaman ortaya çıktığı, ne zaman maruz kaldıkları, hastaneye ne zaman girdikleri vb. Dahil olmak üzere günlük olarak güncellenir.
(Leifeng.com) Adres yazının sonunda verilmiştir.
BT taramaları açısından, bazı bilim adamları, CT taramaları ve göğüs röntgeni görüntüleri dahil olmak üzere, hastalığın kamuya açık çalışmalarından analiz için kullanılabilecek düzinelerce görüntü çıkardılar ... Derin öğrenme algoritmaları düzeyine özel, bu bilgisayar araştırmacıları İnfluenza ve COVID-19'u ayırt etmek için bazı çabalar da yapılıyor. Aşağıdaki çalışmalarda, AI araştırmacıları ve profesyonel doktorlar, akciğer alanının bölünmesinden anormal solunum düzeni sınıflandırıcısına ve otomatik hastalık tespitine kadar derin bir öğrenme sistemi oluşturmak için güçlerini birleştirdiler ve COVID-19 tespitinin doğruluğunu artırmak için çaba sarf ettiler.
COVID-19'u taramak için bir derin öğrenme sistemi kullanın
Kağıt: "Koronavirüs Hastalığını Taramak İçin Derin Öğrenme Sistemi 2019 Pnömoni"
Kağıt bağlantısı: https://arxiv.org/ftp/arxiv/papers/2002/2002.09334.pdf
Yazarlar, Zhejiang Üniversitesi İlk Bağlı Hastanesi, Wenzhou Merkez Hastanesi, Wenling First People's Hastanesi ve diğer kurumlardan geliyor.
Yöntem: Bu çalışma, COVID-19 pnömonisi ve influenza A virüs pnömonisi ile sağlıklı vakaları ayırt etmek için akciğer BT görüntülerini kullanmak üzere erken bir tarama modeli oluşturmak için derin öğrenme teknolojisini kullanmayı amaçlamaktadır.
(A) COVID-19 pnömonisi olan bir hastanın BT görüntüsü (b) İnfluenza A virüs pnömonisi olan bir hastanın BT görüntüsü (c) Pnömoni enfeksiyonu olmayan bir hastanın BT görüntüsü
Yazar ilk olarak enfeksiyon alanlarını akciğer BT görüntülerinden ayırmak için üç derin öğrenme modeli kullandı. Bu ayrılmış görüntüler daha sonra COVID-19, influenza A viral pnömoni ve enfeksiyon grubuyla ilgisi olmayan vakalara bölündü. Aynı zamanda, ilgili güven puanını hesaplamak için bölgesel dikkat sınıflandırma modeli kullanılır. Son olarak, CT vakalarının enfeksiyon türünü ve toplam güven puanını hesaplamak için gürültü işlevi veya Bayes işlevi kullanılır.
.
(Lei Feng Ağı)
Yazar, 219 COVID-19 hastasının BT örneği, 224 grip virüsü pnömoni hastasının BT örneği ve sağlıklı insanlardan 175 BT örneği dahil olmak üzere toplam 618 BT örneği topladı.
Bulgular: Kıyaslama veri seti üzerinde deneyler yapıldı ve sonuçlar, modelin tüm CT örneklerinin taranmasında doğruluğunun% 86,7'ye ulaştığını gösterdi. Etki: Yazar tarafından önerilen yöntem, derin öğrenme teknolojisi aracılığıyla COVID-19 vakalarının taranmasını tamamen otomatik hale getirebilir ve bölgesel dikkat mekanizmasını kullanan model, COVID-19 vakalarını göğüs radyografileri aracılığıyla% 86,7 doğrulukla daha doğru bir şekilde belirleyebilir. Birinci basamak klinisyenler için yardımcı tanı araçları sağlama konusunda çok umut vericidir.
Derin öğrenmeye dayalı yeni koroner pnömoni enfeksiyonunun kantitatif çalışması
Kağıda bağlantı: https://arxiv.org/abs/2003.04655v2
"Derin Öğrenme ile CT Görüntülerinde COVID-19'un Akciğer Enfeksiyonu Miktar Tayini" (Derin Öğrenme ile CT Görüntülerinde COVID-19'un Akciğer Enfeksiyonu Miktar Tayini) başlıklı makalede, Şangay Halk Sağlığı Klinik Merkezi Radyoloji Departmanı ve Shanghai United Imaging'den doktorlar Ar-Ge bölümünden araştırmacılar ve Şangay Üniversitesi İletişim ve Bilgi Mühendisliği Fakültesi'nden doktora öğrencileri, derin öğrenmeye dayalı otomatik bir bölümleme ve niceleme sistemi oluşturmak için derin öğrenmeyi kullandılar. İki hedef vardır, biri göğüs BT enfeksiyon alanı ve diğeri akciğerdir. Bir bütün olarak departman.
Yöntem: VB-Net sinir ağını, CT tarama görüntüsündeki COVID-19 enfeksiyon alanını bölümlere ayıracak şekilde eğitin. Sistem tarafından kullanılan eğitim veri seti 249 COVID19 hastasını içerir ve doğrulama seti 300 COVID19 hastasını içerir. Ek olarak, veri açıklamasını hızlandırmak için, her bir duruma açıklama eklemek için bir döngü içinde insan optimizasyon yöntemini benimser.
Not: İnsan-makine döngüsü veri işleme süreci şu şekildedir: insan tarafından işlenen veriler makine öğrenimine öğretilir ve makine, doğruluğu sürekli olarak iyileştirerek, düzeltme okuması için öğrenme sonuçlarını insanlara geri gönderir.
Ayrıca, sistemin performansını ve Deiss benzerlik katsayısını değerlendirmek için, araştırmacılar otomatik segmentasyon sonuçları ile doğrulama setindeki manuel segmentasyon sonuçları arasındaki hacim ve enfeksiyon yüzdesi farkını hesapladılar.
Sonuçlar: Otomatik segmentasyon ve sistemin manuel segmentasyonu arasındaki Dyss benzerlik katsayısı, doğrulama setinde% 91,6 ±% 10,0 ve bulaşma yüzdesinin ortalama tahmin hatası% 0,3'tür, yani normal 1 ~ 5'ten farklıdır. Saatlik "alanların tamamen manuel olarak bölünmesi" ile karşılaştırıldığında, insan-makine döngüsü "bölme" süresini 3 model güncellemesinden sonra yaklaşık 4 dakikaya indirebilir.
Yeni koroner pnömoninin otomatik tespiti ve hasta takibi için derin öğrenmeyi kullanın
Kağıda bağlantı: https://arxiv.org/abs/2003.05037v1
"Koronavirüs (COVID-19) Pandemisi için Hızlı Yapay Zeka Geliştirme Döngüsü: Koronavirüs (COVID-19) Pandemisi için İlk Sonuçlar: Derin Öğrenme BT Görüntü Analizini Kullanarak Otomatik Tespit ve Hasta İzleme için İlk Sonuçlar" başlıklı makalede Derin Öğrenme CT Görüntü Analizini Kullanan Otomatik Algılama ve Hasta İzleme), Amerika Birleşik Devletleri'ndeki bir yapay zeka tıbbi görüntüleme şirketi olan RADLogics, Wenzhou Tıp Üniversitesi Taizhou Hastanesi Radyoloji Bölümü ve ABD, New York'taki Mount Sinai Hastanesi ile işbirliği içinde, derin öğrenme algoritmalarını kullanarak otomatik CT görüntü analizi araçları geliştirdi.
yöntem: Çin'in hastalıkla enfekte olmuş bölgeleri de dahil olmak üzere çok sayıda uluslararası veri seti kullanıldı ve test seti Çin ve Amerika Birleşik Devletleri'nden 157 hastayı içeriyordu. Benimsenen yöntem, modeli değiştirmek ve ayarlamak için klinik anlayışla birleştirilen mevcut sağlam 2D ve 3D derin öğrenme modellerine dayanmaktadır.
sonuç: Çinli hastaların veri setinde, her bir göğüs BT çalışmasındaki koronavirüs ve koronavirüs dışı vakaların sınıflandırma sonuçlarının EAA değeri% 92,2 özgüllük ve% 98,2 duyarlılık ile 0,996 idi. Koronavirüs hastalarının zaman analizi için, sistem çıktısı hacim, çap vb. Gibi daha küçük opak nesneleri kantitatif olarak ölçebilir ve ayrıca dilim tabanlı bir "ısı haritası" nda daha büyük opak nesneleri görselleştirebilir. Özetle, bu aracın koronavirüs pozitif hastaları tespit etmede ve hastalık yükünü ölçmede çok yüksek doğruluğu var.
Anormal solunum paterni sınıflandırıcı kullanarak COVID-19 hastalarının geniş ölçekli taranması
Kağıt: "Anormal solunum paternleri sınıflandırıcısı, COVID-19 ile enfekte olmuş kişilerin doğru ve sessizce geniş ölçekli taranmasına katkıda bulunabilir" doğru ve göze batmayan bir şekilde)
Makaleye bağlantı: https://arxiv.org/abs/2002.05534v1
Yazarlar, East China Normal University, the Key Laboratory of Education Bakanlığının Temel Yapay Zeka Laboratuvarı, Kanada'daki Ryerson Üniversitesi ve Shanghai Jianglai Data Technology Co., Ltd.'dendir.
Yöntem: Yazar, anormal solunum kalıplarını doğru, uzaktan ve sessizce tespit etmek için derinlik kamerası ve derin öğrenmeyi kullanır. Bu yöntem iki zorlukla karşı karşıyadır: Birincisi, gerçek dünyadaki veri miktarının derin bir model elde etmek için eğitilmesi için yeterli olmaması; diğeri, farklı solunum modellerinin sınıf içi varyasyonunun büyük ve sınıf dışı varyasyonun küçük olmasıdır.
Yazar, gerçek solunum sinyallerinin özellikleri ışığında, eğitim için gerekli olan büyük miktardaki veri ile az miktardaki gerçek veri arasındaki çelişkiyi azaltmak için ilk kez yeni ve etkili bir solunum simülasyon modeli (RSM) önerdi.
Aynı zamanda, GRU sinir ağını (BI-AT-GRU) iki yönlü ve dikkat mekanizmalı altı klinik olarak anlamlı solunum modeline (normal solunum, hızlı nefes alma, yavaş nefes alma, aralıklı nefes alma, gelgit nefes alma) uyguladılar. Ve merkezi apne).
Solunum paternlerinin BI-AT-GRU model sınıflandırma sonuçları: Elde edilen BI-AT-GRU'nun performansı, derinlik kamerası ile ölçülen gerçek verilerle test edilir.Sonuçlar modelin 6 farklı solunum paternini sınıflandırabildiğini göstermektedir. Doğruluk, kesinlik, hatırlama ve F1 skoru sırasıyla% 94.5,% 94.4,% 95.1 ve% 94.8 idi. Ve karşılaştırmalı deneyde, solunum paterni sınıflandırmasına adanmış BI-AT-GRU modeli, mevcut en son modelden daha iyidir.
Ağır Covid-19 hastalarının kritikliğini tahmin etmek için makine öğrenimi modellerini kullanma
Makale: "Üç klinik özelliği kullanarak şiddetli Covid-19 enfeksiyonu olan hastalarda kritiklik tahmini: bir makine Wuhan'daki klinik verilerle öğrenmeye dayalı prognostik model)
Kağıt bağlantısı: https://www.medrxiv.org/content/10.1101/2020.02.27.20028027v2
Yazarlar, Huazhong Bilim ve Teknoloji Üniversitesi Tongji Tıp Fakültesi, Wuxi Araştırma Enstitüsü, Huazhong Bilim ve Teknoloji Üniversitesi'ne Bağlı, Huazhong Bilim ve Teknoloji Üniversitesi, Acil Durum Bölümü, Anesteziyoloji Bölümü, Tongji Hastanesi Yapay Zeka ve Otomasyon Okulu, Makine Bilimi ve Mühendisliği Okulu ve Wuhan Üniversitesi Bilgi Bilimi ve Mühendisliği Bölümü'ndendir. Kolej.
Yöntemler: Yazar, 10 Ocak - 18 Şubat 2020 tarihleri arasında Tongji Hastanesi'ne kabul edilen 2799 hastanın elektronik dosyalarını taradı. 201 ağır hasta dahil olmak üzere toplam 375 taburcu edilmiş hasta. XGBoost makine öğrenimi algoritmasına dayalı bir prognostik tahmin modeli oluşturdular ve 19 Şubat'tan sonra tanı konan 29 hastayı (diğer hastanelerden 3 hasta dahil) test ettiler.
XGBoost makine öğrenimi algoritması akış şeması sonuçları: 375 hastanın ortalama yaşı 58.83 ve erkeklerin oranı% 58.7'dir. Ateş en sık görülen başlangıç semptomuydu (% 49.9), ardından öksürük (% 13.9), yorgunluk (% 3.7) ve nefes darlığı (% 2.1) izledi.
Model, 300'den fazla özellik havuzundan, yani laktat dehidrojenaz (LDH), lenfositler ve yüksek hassasiyetli C-reaktif protein (hs-CRP) olmak üzere üç ana klinik özellik tanımlamıştır.
Bu klinik yolun kontrol edilmesi çok kolaydır ve ölüm riskini doğru ve hızlı bir şekilde değerlendirebilir. Bu nedenle, bu yöntemin önemli klinik önemi vardır.
Rol: Yazar tarafından oluşturulan üç göstergeye dayanan bu prognostik tahmin modeli, ölüm riskini tahmin edebilir ve ciddi vakalardan anahtar vakaları tanımlamak için klinik bir yol sağlayabilir. Bu model, doktorların hastaların semptomlarını erken bulmalarına ve erken müdahale etmelerine yardımcı olarak ölüm oranını etkili bir şekilde azaltabilir.
Veri seti indirmesinin bir parçası:
https://www.kaggle.com/sudalairajkumar/novel-corona-virus-2019-dataset
https://github.com/ieee8023/covid-chestxray-dataset/blob/master/README.md?fbclid=IwAR30yTGBr55WXdCngCoICDENHycmdL2bGwlvl1ckdZM-ucjGH10Uakz7khk
