Больница первой в США использует искусственный интеллект для анализа пациентов с COVID-19

Исследователи на горе Синай первыми в стране использовали искусственный интеллект (ИИ) в сочетании с визуализацией и клиническими данными для анализа пациентов с коронавирусной болезнью (COVID-19). Они разработали уникальный алгоритм, который может быстро обнаруживать COVID-19 на основе того, как заболевание легких выглядит при компьютерной томографии (КТ) грудной клетки, в сочетании с информацией о пациенте, включая симптомы, возраст, работу крови и возможный контакт с человеком, инфицированным вирус. Это исследование, опубликованное в выпуске Nature Medicine от 19 мая , может помочь больницам всего мира быстро обнаружить вирус, изолировать пациентов и предотвратить его распространение во время этой пандемии.

«ИИ обладает огромным потенциалом для быстрого анализа больших объемов данных, что может оказать большое влияние в такой ситуации, как пандемия. На горе Синай мы рано осознали это и смогли мобилизовать опыт наших преподавателей и наших международных сотрудников. совместная работа по внедрению новой модели ИИ с использованием данных КТ пациентов с коронавирусом в китайских медицинских центрах. Мы смогли показать, что модель ИИ была такой же точной, как опытный рентгенолог в диагностике заболевания, и даже лучше в некоторых случаях, когда имелись нет явных признаков заболевания легких на КТ, – говорит один из ведущих авторов, Захи Фаяд, доктор философии, директор Института биомедицинской инженерии и визуализации (BMEII) в Медицинской школе Икан на горе Синай. «Сейчас мы работаем над тем, как использовать сделайте это дома и поделитесь своими результатами с другими – этот инструментарий можно легко развернуть по всему миру в других больницах, будь то онлайн или встроенный в их собственные системы ».

Это исследование дополняет предыдущее исследование на горе Синай, в котором был выявлен характерный паттерн заболевания легких у пациентов с ХОВИД-19 и показано, как оно развивается в течение полутора недель.

Новое исследование включало в себя сканирование более 900 пациентов, полученных с горы Синай от сотрудников учреждений в больницах Китая. Пациенты были госпитализированы в 18 медицинских центров в 13 провинциях Китая в период с 17 января по 3 марта 2020 года. Сканирование включало 419 подтвержденных COVID-19-позитивных случаев (большинство из них либо недавно ездили в Ухань, Китай, где началась вспышка, либо имели контакт с инфицированным пациентом с COVID-19) и 486 сканирований с COVID-19-негативом. Исследователи также имели клиническую информацию пациентов, включая анализ кровирезультаты, показывающие любые отклонения в количестве лейкоцитов или лимфоцитов, а также их возраст, пол и симптомы (лихорадка, кашель или кашель со слизью). Они сосредоточились на компьютерной томографии и анализах крови, так как врачи в Китае используют оба этих метода для диагностики пациентов с COVID-19, если они входят в лихорадку или контактировали с инфицированным пациентом.

Три модели искусственного интеллекта используются для определения вероятности того, что пациент является COVID-19 (+): первая основана на компьютерной томографии грудной клетки, вторая – на клинической информации; и третий – комбинация компьютерной томографии грудной клетки и клинической информации. Для оценки компьютерной томографии грудной клетки каждый срез сначала был ранжирован по вероятности содержания паренхиматозной аномалии, как и предсказывалось моделью сверточной нейронной сети (выбор среза CNN), которая представляет собой предварительно обученную модель PTB с точностью 99,4% до выберите аномальные срезы легких из компьютерной томографии грудной клетки. Лучшие 10 аномальных КТ-изображений на пациента были помещены во вторую CNN (диагноз CNN), чтобы предсказать вероятность позитивности COVID-19 (P1). Демографические и клинические данные (возраст и пол пациента, история воздействия, симптомы и лабораторные тесты) были включены в модель машинного обучения для классификации положительности COVID-19 (P2). Функции, сгенерированные диагностической моделью CNN и моделью машинного обучения клинической информации без визуализации, были объединены многослойной сетью персептрона (MLP) для получения окончательного результата совместной модели (P3). PTB, туберкулез легких; SVM, опорная векторная машина. Предоставлено: Институт биомедицинской инженерии и визуализации (BMEII) при Медицинской школе Икан на горе Синай.
Команда Mount Sinai объединила данные этих КТ с клинической информацией для разработки алгоритма ИИ. Он имитирует рабочий процесс, который врач использует для диагностики COVID-19, и дает окончательный прогноз положительного или отрицательного диагноза. Модель ИИ создает отдельные вероятности того, что COVID-19-позитивен, на основании КТ-изображений, клинических данных и того и другого вместе взятых. Исследователи сначала обучили и отрегулировали алгоритм на данных 626 из 905 пациентов, а затем протестировали алгоритм на оставшихся 279 пациентах в основной группе (с разбивкой по COVID-19-положительным и отрицательным случаям), чтобы оценить чувствительность теста; Более высокая чувствительность означает лучшую производительность обнаружения. Было показано, что алгоритм обладает статистически значимо более высокой чувствительностью (84 процента) по сравнению с 75 процентами для радиологов, оценивающих изображения иклинические данные . Система ИИ также улучшила обнаружение COVID-19-положительных пациентов, у которых были отрицательные КТ. В частности, он распознал 68 процентов случаев COVID-19-позитивного, тогда как радиологи интерпретировали все эти случаи как негативные из-за негативного появления КТ. Улучшенная диагностика особенно важна для сохранения пациентов в изоляции, если при сканировании не обнаруживается заболевание легких, когда у пациентов впервые появляются симптомы (поскольку предыдущее исследование показало, что заболевание легких не всегда проявляется при КТ в первые несколько дней) и симптомы COVID-19 часто неспецифичны, напоминают грипп или простуду, поэтому диагностировать их бывает сложно.

[block id="9"]
[block id="9"]

Сообщить об опечатке

Текст, который будет отправлен нашим редакторам:

Adblock
detector