Doğruluk% 83! Araştırma ekibimiz, yeni koroner pnömoninin teşhisine yardımcı olmak için bir yapay zeka modeli oluşturuyor, her vaka sadece 2 saniye sürüyor
COVID-19'un yayılmasını kontrol etmek için, uygun izolasyon ve tedavi önlemleri için çok sayıda şüpheli vakayı kontrol etmeye öncelik verilmektedir. Patojenik laboratuar testleri, tanı için önemli bir kriterdir, ancak genellikle zaman alıcıdır ve yanlış pozitif sonuçlar önemlidir. Bu nedenle, bu hastalıkla mücadele için hızlı ve doğru teşhis yöntemlerine acil ihtiyaç vardır.
17 Şubat'ta, Tianjin Tıp Üniversitesi Tümör Hastanesinden Profesör Xu Bo ekibi ve Ulusal Süper Bilgisayar Tianjin Merkezi araştırma ekibi, medRxiv ön baskı platformuyla ilgili bir makale yayınladılar.İki taraf tarafından geliştirilen yeni koronavirüsün CT görüntü destekli teşhisini tanıttılar. Zatürrenin yapay zeka modeli. Bu modelin yeni koroner pnömoniyi diğer viral pnömonilerden ayırmadaki toplam doğruluğu% 83'e ulaşabilir ve hızlı ve etkilidir.
Bunun, COVID-19'u etkin bir şekilde taramak için BT görüntülerine yapay zeka teknolojisini uygulayan ilk çalışma olduğunu belirtmekte fayda var.Her vaka yaklaşık 2 saniye sürüyor ve ortak bir ortak platform aracılığıyla uzaktan çalıştırılabiliyor.
Makale, CT görüntülerindeki COVID-19'un radyografik değişikliklerine dayanarak, araştırmacıların, derin öğrenme yöntemlerinin COVID-19'un grafik özelliklerini çıkarabileceğini ve patojen tespitinden önce klinik tanı sağlayabileceğini ve böylece hastalık kontrolü için kritik zamandan tasarruf edebileceğini varsaydığını ortaya koydu.
Araştırmacılar, algoritmayı oluşturmak için Başlangıç aktarımı öğrenme modelini değiştirdiler ve ardından iç ve dış doğrulama gerçekleştirdiler. Sonuçlar, dahili doğrulamanın toplam doğruluğunun% 82.9, özgüllüğün% 80.5 ve duyarlılığın% 84 olduğunu gösterdi. Harici test veri seti% 73.1 genel doğruluk,% 67 özgüllük ve% 74 duyarlılık gösterdi.
Şekil 1. Spesifik derin öğrenme algoritması çerçevesini gösterir. Özellikleri çıkarmak için eğitim için ROI'leri rastgele çıkarmak için değiştirilmiş Başlangıç ağını kullanın. Ardından algoritma tahminlerde bulunur.
Bu sonuçlar, zamanında ve doğru COVID-19 teşhisi için radyolojik özellikleri çıkarmak üzere yapay zekanın kullanılması için bir ilke kanıtı sağlar.
Görüntüleme moduna göre, viral patojenleri tanımlayabilen birçok özellik vardır.Bu özellikler, spesifik patogeneziyle ilgilidir.COVID-19'un ayırt edici özelliği, plak gölgelerinin ve buzlu cam opaklığının iki taraflı dağılımıdır.
Spesifik olarak, araştırmacılar daha önce tipik viral pnömoni olarak teşhis edilen patojen ve CT görüntüleri tarafından doğrulanan 453 COVID-19 vakası topladı, algoritmayı oluşturmak için Başlangıç göç öğrenme modelini değiştirdi ve ardından dahili ve harici doğrulama gerçekleştirdi.
Geriye dönük olarak 99 hastayı dahil ettiler ve bunların çalışma kaydı, başlangıcı COVID-19 salgından önce meydana gelen, tipik viral pnömoni tanısı konmuş 55 vakayı içeriyordu. Bu hastalara COVID-19 negatif denir. Diğer 44 vaka, SARS-COV-2 nükleik asit test sonuçlarına sahip olduğu doğrulanan üç hastaneden geldi, bu nedenle COVID-19 pozitif olarak adlandırılıyor. Bundan sonra, iki radyologdan görüntüleri kontrol etmelerini istediler ve analiz için toplam 453 temsili resim (COVID-19 için 258 negatif ve COVID-19 için 195 pozitif) çizdiler. Bu görüntüler rastgele olarak eğitim seti ve doğrulama setine bölünmüştür.
Şekil 2. COVID-19 pnömoni özelliklerine sahip bir vaka. Mavi ok buzlu cam benzeri opasiteyi, sarı ok ise plevral girintiyi gösterir.
Araştırmacılar, modelin 15.000 iterasyon için eğitildiğine dikkat çekti ve bazı sınırlamalar olsa da, gelecekte BT görüntülerinin hiyerarşik özelliklerini diğer faktörlerle (genetik, epidemiyoloji ve klinik bilgiler gibi) kullanabileceklerini belirttiler. COVID-19'un özellikleri, doğruluğu, özgüllüğü ve hassasiyeti iyileştirmek için daha fazla optimizasyon ve test için birbirine bağlanabilir Platform, klinik teşhise yardımcı olmak ve COVID-19 hastalık kontrolüne katkıda bulunmak için kullanılabilir.
Referans kaynağı: Corona Virüs Hastalığını (COVID-19) taramak için CT görüntülerini kullanan bir derin öğrenme algoritması, https://www.medrxiv.org/content/10.1101/2020.02.14.20023028v2.full.pdf+html
