Ο ρόλος και η πρόκληση της τεχνητής νοημοσύνης στη διάγνωση CT πνευμονίας από νέο κορωνοϊό

Για περισσότερες πληροφορίες:ali.ma@wecistanche.com

Καλύτερες στιγμές

Αυτή η εργασία εξετάζει καινοτόμα την επιστημονικότητα και την κανονιστικότητα με βάση τις απαιτήσεις μεθοδολογίας μιας κλινικής δοκιμής, λαμβάνοντας υπόψη τη διαδικασία ανάπτυξης λογισμικού τεχνητής νοημοσύνης (AI) ως διαγνωστικές ερευνητικές κλινικές δοκιμές εικόνας με υπολογιστική τομογραφία (CT). Το έγγραφο αναφέρει επίσης 4 τρόπους για την προώθηση του διαγνωστικού λογισμικού τεχνητής νοημοσύνης που βοηθάει σε πραγματικά κλινικά προβλήματα και φέρνει στους ασθενείς πραγματικά κλινικά οφέλη.

Παρενέργειες Click to cistanche και Cistanche για ανοσία

Αφηρημένη

Στις αρχές του 2020, η πνευμονία του νέου κοροναϊού(COVID-19)ξέσπασε στην Κίνα. Πολλά προϊόντα που σχετίζονται με την ιατρική εμφανίστηκαν γρήγορα στον τομέα της Τεχνητής Νοημοσύνης (AI), η οποία έπαιξε σημαντικό ρόλο στην καταπολέμηση της πανδημίας. Αυτό το άρθρο συνοψίζει την τρέχουσα κατάσταση έρευνας και εφαρμογής της τεχνητής νοημοσύνης στην ακτινολογία και τον έλεγχο της πανδημίας και αναλύει τα κοινά προβλήματα της τεχνολογίας AI στην έρευνα τουCOVID-19διάγνωση. Περιλαμβάνει κυρίως τις σκέψεις σχετικά με το σχεδιασμό κλινικών μελετών, τις δυσκολίες στην υλοποίηση της έρευνας και τις προκλήσεις στην επαλήθευση της αξιοπιστίας των μοντέλων AI. Ως απάντηση στις παραπάνω δυσκολίες, προτείνονται προτάσεις για τη βελτιστοποίηση της επιστημονικότητας και της ποιότητας της διαγνωστικής έρευνας AI.

Λέξεις-κλειδιά:COVID-19πανδημία, Τεχνητή νοημοσύνη, Ηλεκτρονική Τομογραφία, Κλινική έρευνα

Ο σημαντικός ρόλος των διαφοροποιημένων προϊόντων τεχνητής νοημοσύνης στην αντιμετώπιση της επιδημίας

Στις αρχές του 2020, το ξέσπασμα τουπνευμονία από τον νέο κορωνοϊό(Κορωνοϊός, COVID-19) θέτουν την εφαρμογή της πρόληψης και του ελέγχου ασθενειών σε μεγάλη πρόκληση. Για παράδειγμα, πώς να μετρήσετε γρήγορα τη θερμοκρασία του σώματος όλων σε έναν κόμβο κυκλοφορίας με μεγάλη ροή κυκλοφορίας. πώς να ελέγξετε γρήγορα πιθανά αποτελεσματικά φάρμακα μεταξύ τεράστιων δυνατοτήτων. πώς να ελέγξετε ύποπτες περιπτώσεις σε μεγάλο πληθυσμό. πώς να αντιμετωπίσετε την έλλειψη επαγγελματιών γιατρών και τη διασταυρούμενη μόλυνση κατά τη θεραπεία των διαγνωσμένων ασθενών. Η Τεχνητή Νοημοσύνη (Al, ως ένα από τα πιο δημοφιλή πεδία τα τελευταία χρόνια, επιλύει ορισμένα από τα ζητήματα μέσω της εφαρμογής νέων προϊόντων τεχνητής νοημοσύνης, τα οποία βελτιώνουν την αποτελεσματικότητα της πρόληψης, ελέγχου και διάγνωσης ασθενειών.

Η τεχνητή νοημοσύνη βοηθά στην παρακολούθηση και την προσομοίωση της τάσης ανάπτυξης της επιδημίας, αναλύοντας τα ίχνη της δραστηριότητας των ανθρώπων, για την έγκαιρη προειδοποίηση στις πιθανές περιοχές εξάπλωσης. Η τεχνητή νοημοσύνη μπορεί επίσης να αναλύσει τις οδούς πολλαπλασιασμού, να εντοπίσει τις στενές επαφές των διαγνωστικών ασθενών και να λάβει γρήγορα καραντίνα και θεραπεία. Η υπέρυθρη θερμική απεικόνιση με τεχνολογία αναγνώρισης εικόνας AI πραγματοποιεί ανίχνευση πυρετού σε δημόσιους χώρους για να εντοπίσει άτομα με μη φυσιολογική θερμοκρασία σώματος[1]. Στην ανάπτυξη νέων φαρμάκων, η τεχνητή νοημοσύνη βοηθά στον έλεγχο των πιο ισχυρών αντιιικών και αντιφλεγμονωδών φαρμάκων από εκατοντάδες φάρμακα για περαιτέρω ανάπτυξη [2]. Στη διάγνωση και τη θεραπεία, το μοντέλο Deep Neural Network (DNN) υιοθετήθηκε για την αναγνώριση δεδομένων γραφικών υπολογιστικής τομογραφίας (CT) ("CT plus AI) για να βοηθήσει τους γιατρούς να κάνουν γρήγορα διαγνώσεις.

Προκλήσεις που αντιμετωπίζει το "CT plus AI" στη διάγνωση του COVID-19

Ιδιαίτερη προσοχή έχει προσελκύσει η εφαρμογή της Τεχνητής Νοημοσύνης στην ακτινολογία. Το DNN έχει χρησιμοποιηθεί ευρέως σε διάφορες ιατρικές τεχνολογίες σάρωσης, για παράδειγμα, διάγνωση πνευμονίας στην ψηφιακή ακτινογραφία θώρακα (DR)[3-5], ανίχνευση καρκινικών πνευμονικών οζιδίων [6] και φυματίωσης [7], ανίχνευση καταγμάτων, και πρόβλεψη οστικής ηλικίας μέσω ακτινογραφίας [8-10].εξέταση και αξιολόγηση ακτινογραφιών μαστού [11,12]. ανίχνευση και διάγνωση πνευμονικών οζιδίων [13,14], πνευμονίας [15], μαζών ήπατος [16], καρκίνου του παγκρέατος[17] και συμπιεστικών καταγμάτων σπονδύλου [18] σε εικόνες CT. περιγράφει την κοιλία στην απεικόνιση μαγνητικού συντονισμού της καρδιάς [19]. Μια επιθεώρηση υπερηχογραφικής εξέτασης, το μοντέλο AI μπορεί να εκτελέσει τη διάγνωση και την ποσοτική ανάλυση της καρδιακής απεικόνισης [20.21]. καθώς και η ανίχνευση υπερηχογραφικών όζων του θυρεοειδούς και η διάγνωση καλοήθων και κακοήθων [22,23](Πίνακας 1).

Στη διάγνωση της πνευμονίας του νέου κορωνοϊού, αξονική τομογραφία, DR και υπερηχογράφημα χρησιμοποιούνται συνήθως απεικονιστικές τεχνικές εξέτασης, σε αντίστοιχες διαδικασίες και σενάρια σύμφωνα με τα δικά τους χαρακτηριστικά. Η αξονική τομογραφία είναι η προτεραιότητα στο πρώιμο στάδιο της ανίχνευσης της βλάβης μεταξύ τους. Από τη στιγμή που κυκλοφόρησε το "Πρόγραμμα διάγνωσης και θεραπείας πνευμονίας COVID-19 (Δοκιμαστική έκδοση 5)", η διάγνωση με αξονική τομογραφία περιλαμβάνεται επίσης στα πρότυπα κλινικής διάγνωσης του νέου COVID-19 [24]. Ωστόσο, η διάγνωση ενός μεμονωμένου ασθενούς απαιτεί χειροκίνητη παρατήρηση περισσότερων από εκατό εικόνων CT. Με μεγάλο αριθμό κλινικών αναγκών, οι γιατροί υφίστανται μεγάλο φόρτο εργασίας με χαμηλή απόδοση. Η τεχνολογία AI με δυνατότητα λογισμικού μπορεί να λύσει αυτά τα κλινικά προβλήματα. Η επιθεώρηση CT έχει γίνει η προτιμώμενη λύση απεικόνισης για το τρέχον λογισμικό τεχνητής νοημοσύνης για διάγνωση πνευμονίας λόγω της υψηλής ακρίβειας, των ενοποιημένων προτύπων και της βαθιάς συσσώρευσης βιομηχανικών δεδομένων και τεχνολογίας [27. Σε πρακτικές εφαρμογές, τα διαγνωστικά μοντέλα μπορούν να αναγνωρίσουν την εικόνα της πνευμονίας μέσω ενός συγκεκριμένου αλγόριθμου για να προβλέψουν εάν είναι άρρωστη [27-29]. Το μοντέλο ποσοτικής ανάλυσης του πνεύμονα μπορεί να ανιχνεύσει τη θέση της βλάβης, να μετρήσει τον αριθμό των βλαβών, να περιγράψει το εύρος της βλάβης, να υπολογίσει το ποσοστό μόλυνσης της περιοχής της πνευμονικής βλάβης και να συνεργαστεί με το λογισμικό παρακολούθησης για τη διαχείριση της εξέλιξης της νόσου και την αξιολόγηση πρόγνωση [28]. Με τη βοήθεια λογισμικού, ο φόρτος εργασίας των γιατρών μειώνεται και βελτιώνεται η ταχύτητα και η ακρίβεια της διάγνωσης και της θεραπείας, ωστόσο, είναι σημαντικό να τονιστούν ορισμένα κοινά προβλήματα στην έρευνα της CT διάγνωσης της νέας πνευμονίας του κορωνοϊού με τη βοήθεια Al, ως εξής:

Σχεδιασμός μελέτης

Στη νέα διάγνωση αξονικής τομογραφίας πνευμονίας COVID-19, ο σχεδιασμός του μοντέλου θα πρέπει να λαμβάνεται υπόψη διαφορετικά για την προσαρμογή των διαφορετικών φάσεων διάγνωσης και θεραπείας στο πιο αρχικό στάδιο της ανάπτυξης του διαγνωστικού μοντέλου "CT plus AI". Για παράδειγμα, η ομάδα ελέγχου που χρησιμοποιείται για την εκπαίδευση του μοντέλου πρώιμου προσυμπτωματικού ελέγχου θα πρέπει να διαφοροποιείται από την ομάδα που επιλέχθηκε στην αντιδιαστολή: 1) Οι αποφάσεις για το πρόβλημα πρώιμου προσυμπτωματικού ελέγχου προτιμούν την υψηλή ευαισθησία για να διαχωρίσουν τα ύποπτα περιστατικά από τον υγιή πληθυσμό, επομένως, τα δείγματα των περιπτώσεων ελέγχου που εκπαιδεύονται από το μοντέλο AI θα πρέπει να είναι εικόνες CT υγιών πνευμόνων έναντι εικόνων ανθυγιεινών πνευμόνων. Οι περιπτώσεις ανθυγιεινών πνευμόνων αποτελούνται από πολλαπλούς ύποπτους τύπους πνευμονίας για να διασφαλιστεί η απόδοση του μοντέλου ενός χαμηλού ποσοστού χαμένης διάγνωσης. 2) Στο σενάριο αντιδιαστολής, η ικανότητα υψηλής εξειδίκευσης είναι απαραίτητη για τη διάκριση της πνευμονίας του νέου κοροναϊού από εκείνες της πνευμονίας που προκαλούνται από άλλες λοιμώξεις. Πιο συγκεκριμένα, δεδομένων των πραγματικών κλινικών συνθηκών, ο ιδανικός σχεδιασμός ελέγχου θα πρέπει να συγκρίνει δύο ομάδες με παρόμοια κλινικά συμπτώματα ή επιδημιολογικό ιστορικό όπως πυρετός, βήχας, ανωμαλίες εικόνας πνεύμονα CT αλλά αρνητικά και θετικά αποτελέσματα στη δοκιμή νουκλεϊκού οξέος (ή άλλα διαγνωστικά χρυσά πρότυπα). . Αυτός ο σχεδιασμός είχε σκοπό να εδραιώσει πιο διακριτικά ραδιολογικά χαρακτηριστικά της πνευμονίας του νέου κοροναϊού. Επιπλέον, η μέτρηση αξιολόγησης που επιλέχθηκε για την αξιολόγηση της απόδοσης του μοντέλου πρέπει να εξεταστεί προσεκτικά. Για παράδειγμα, κατά την αξιολόγηση ενός διαγνωστικού μοντέλου "CT plus AI", η αναλογία ακρίβειας δεν είναι κατάλληλος δείκτης που μπορεί να αξιολογήσει πλήρως το μοντέλο. Η ανισορροπία μεταξύ θετικών και αρνητικών δειγμάτων δεδομένων δοκιμής θα οδηγούσε σε ένα ζήτημα υπερεκτίμησης της απόδοσης (π.χ. ένα σύνολο δοκιμών που αποτελείται από 96 θετικές και 4 αρνητικές περιπτώσεις θα μπορούσε να δελεάσει ένα αφελές μοντέλο δίνοντας υψηλή ακρίβεια έως και 96 τοις εκατό, ακόμη και αν το μοντέλο μόνο πείτε το θετικό). Το διαγνωστικό λογισμικό AI εφαρμόζεται σε συγκεκριμένο κλινικό πρόβλημα για καλύτερη ικανότητα και αποτελεσματικότητα. Πριν από την εφαρμογή, οι στόχοι της μελέτης πρέπει να αποσαφηνιστούν και να διευκρινιστούν για τα συγκεκριμένα κλινικά προβλήματα. Στη συνέχεια θα πρέπει να διεξαχθεί ένας σχεδιασμός μεθοδολογίας με επιστημονικό τρόπο. Θα πρέπει επίσης να διαμορφωθεί ένα πλήρες ερευνητικό σχέδιο. Τα αντικείμενα μελέτης, ο κανόνας της συμπερίληψης-αποκλειστικότητας και οι μετρήσεις της αξιολόγησης τελικού σημείου θα πρέπει να λαμβάνονται πλήρως υπόψη. Προηγούμενος στον επιστημονικό σχεδιασμό, ο κίνδυνος μεροληψίας μπορεί να ελαχιστοποιηθεί, μπορεί να ληφθούν ερευνητικά στοιχεία υψηλής ποιότητας και μπορεί να παρασχεθεί αξιόπιστη καθοδήγηση για κλινική εφαρμογή.

Εφαρμογή έρευνας

Η διαδικασία εκπαίδευσης του μοντέλου DNN τεχνητής νοημοσύνης βασίζεται αποκλειστικά σε δεδομένα. Βασίζεται σε μεγάλο αριθμό δειγμάτων εικόνων με ακριβή σήμανση κατά τη φάση της εκπαίδευσης. Όσο μεγαλύτερος είναι ο όγκος των δεδομένων, τόσο καλύτερη είναι η διακριτική απόδοση του μοντέλου. Το σύστημα διάγνωσης διαβητικής αμφιβληστροειδοπάθειας, ως ιατρική συσκευή τεχνητής νοημοσύνης, που αναπτύχθηκε από τον αμερικανικό τεχνολογικό κολοσσό Google πέρασε τη δεύτερη φάση των κλινικών δοκιμών. Η διαδικασία εκπαίδευσης του συστήματος χρησιμοποιεί 130 εκατομμύρια εικόνες 10,000 περιπτώσεων, κάτι που είναι κοντά στο επίπεδο των ειδικών γιατρών [30]. Αντίθετα, παρόλο που οι καθορισμένες ιατρικές μονάδες συσσώρευσαν νέα δεδομένα εικόνας CT κορωνοϊού σε συνεργασία με κατασκευαστές τεχνολογίας για εκπαίδευση και ανάπτυξη λογισμικού στην επιδημία, το συνολικό ποσό είναι σχετικά μικρό και η διανομή είναι σχετικά διάσπαρτη, συν τον σπάνιο πόρο των ειδικών στην εικόνα CT επισήμανση στο αρχικό στάδιο, με αποτέλεσμα μόνο ένα μικρό σύνολο δεδομένων διαθέσιμο για εκπαίδευση μοντέλων και δύσκολο να εγγυηθεί την ποιότητα της επισήμανσης. Ανεπαρκή δεδομένα εκπαίδευσης μπορεί να αναγκάσουν το μοντέλο DNN να "θυμάται" πληροφορίες σε εικόνες CT που δεν σχετίζονται με την πραγματική διάγνωση λόγω των δομικών χαρακτηριστικών του με ισχυρή εκφραστική ισχύ, προκαλώντας υπερβολική προσαρμογή και μείωση της ικανότητας κρίσης μελλοντικών δεδομένων. Για να επιτευχθεί επαρκές αποτέλεσμα εκπαίδευσης υπό την προϋπόθεση μικρότερου όγκου δεδομένων, είναι συχνά απαραίτητος ο σχεδιασμός μιας πιο σύνθετης εσωτερικής δομής μοντέλου και μοντέλων δεξιοτήτων εκπαίδευσης, γεγονός που αυξάνει επίσης τη δυσκολία υλοποίησης.

Εξέταση της νέας εξαιρετικότητας του COVID-19

Με βάση την κλινική εμπειρία, η εικόνα αξονικής τομογραφίας θώρακα της πνευμονίας από νέο κορωνοϊό έχει τα χαρακτηριστικά μιας «παρόμοιας εικόνας αλλά διαφορετικής ασθένειας». Είναι δύσκολο να γίνει διάκριση από τα ανθρώπινα μάτια, γεγονός που αυξάνει τη δυσκολία στην αντιδιαστολή. Η δυσκολία είναι πιο εμφανής εάν το μέγεθος του δείγματος εκπαίδευσης είναι μικρό. Επιπλέον, ως ένα από τα κριτήρια διάγνωσης του νέου COVID-19, τα αποτελέσματα του κιτ νουκλεϊκών οξέων δείχνουν υψηλή ειδικότητα αλλά χαμηλή ευαισθησία. Εάν χρησιμοποιείται για την επισήμανση δειγμάτων εκπαίδευσης ως χρυσού προτύπου, τα πραγματικά θετικά δείγματα θα τείνουν να επισημαίνονται ως αρνητικά λανθασμένα. Η εκπαίδευση με τα λανθασμένα επισημασμένα δεδομένα θα μειώσει άμεσα την απόδοση του μοντέλου.

Επαλήθευση της αξιοπιστίας της διάγνωσης AI

Δεν είναι αξιόπιστο να αξιολογηθεί το αποτέλεσμα της διάγνωσης μόνο με την εσωτερική δοκιμή δεδομένων μετά την εφαρμογή του μοντέλου διάγνωσης AI. Ο συγχυτής κάτω από τα δεδομένα που προκαλούνται από διαφορετικά μοντέλα εξοπλισμού CT, γεωγραφικές περιοχές, πραγματικό κλινικό περιβάλλον, παραλλαγή ιού και άλλους παράγοντες, θα μπορούσε να επηρεάσει το διαγνωστικό αποτέλεσμα του μοντέλου. Το μοντέλο μετά βίας μπορεί να έχει την ικανότητα να αντιμετωπίσει αυτούς τους συγχυτικούς παράγοντες με περιορισμένες εσωτερικές δοκιμές δεδομένων. Όταν το διαγνωστικό λογισμικό τεχνητής νοημοσύνης τίθεται σε κλινική χρήση χωρίς πλήρη επικύρωση, μπορεί να επαναληφθεί μόνο μέσω εκπαίδευσης και βελτιστοποίησης εκτός σύνδεσης, καθώς δεν μπορεί να βελτιώσει το επίπεδο διάγνωσης και θεραπείας συνεχίζοντας να μαθαίνει νέες περιπτώσεις όπως οι άνθρωποι γιατροί. Σε σύγκριση με τη λανθασμένη διάγνωση ενός ανθρώπου γιατρού, οι πιθανοί ιατρογενείς κίνδυνοι που προκαλούνται από τους περιορισμούς του λογισμικού υπολογιστών θα είναι πιο εμφανείς. Σύμφωνα με τη νέα έκδοση του «Medical Device Classification Catalog» (CFDA 2017 No.143), το διαγνωστικό λογισμικό AI, ως ιατρική συσκευή, θα πρέπει να προχωρήσει σε συστηματικό έλεγχο και εκτεταμένη προσομοίωση, ακόμη και προοπτικές κλινικές δοκιμές, για την πλήρη επαλήθευση της ακρίβειας και την αξιοπιστία της κλινικής διάγνωσης. Η Ομάδα Τεχνητής Νοημοσύνης του Εθνικού Ινστιτούτου Ελέγχου Τροφίμων και Φαρμάκων (NIFDC) δημιούργησε ένα σύστημα ασφαλείας ιατρικών συσκευών τεχνητής νοημοσύνης και καθόρισε τη μέθοδο δοκιμής που βασίζεται στην τυπική επαλήθευση συνόλου δεδομένων [30]. Προς το παρόν, δεν υπάρχει τυπική βάση δεδομένων για τη νέα οντότητα της νόσου COVID-19, επομένως είναι δύσκολο να επαληθευτεί η υψηλή ακρίβεια επαναληψιμότητας του υπάρχοντος λογισμικού τεχνητής νοημοσύνης στις περισσότερες ιατρικές διαγνώσεις σάρωσης στον πραγματικό κόσμο.

Βελτιώστε την ποιότητα και την επιστημονική τυποποίηση του διαγνωστικού μοντέλου "CT plus AI".

Η εφαρμογή της Τεχνητής Νοημοσύνης στον ιατρικό κλάδο βρίσκεται ακόμη σε πρώιμο στάδιο στην Κίνα, ενώ έχει λάβει μεγάλη προσοχή και ταχεία ανάπτυξη τα τελευταία χρόνια, γεγονός που έχει συμπεριληφθεί ακόμη και στο εθνικό στρατηγικό σχέδιο [30]. Πολλά προϊόντα τεχνητής νοημοσύνης έχουν δείξει πολλά υποσχόμενες προοπτικές στον ιατρικό τομέα. Στο επόμενο στάδιο, για την εμπορευματοποίηση, η εστίαση του κλάδου θα είναι στην έρευνα σχεδιασμού επιστημονικά και στην τυποποίηση της διαδικασίας υλοποίησης και επαλήθευσης. ανάπτυξη της τεχνητής νοημοσύνης στον ιατρικό κλάδο υγιεινά, τυποποίηση της διαχείρισης διαγνωστικών προϊόντων υποβοηθούμενης από Al σύμφωνα με τις προδιαγραφές New Medical Apparatus. Αν και πολλά προϊόντα τεχνητής νοημοσύνης που εμφανίστηκαν κατά τη διάρκεια της επιδημίας έχουν φέρει ευκολία στους γιατρούς στη διάγνωση και τη θεραπεία ασθενειών, η συνολική επιστημονική αυστηρότητα και η αξιοπιστία ποιότητας εξακολουθούν να χρειάζονται περαιτέρω βελτίωση και τελειοποίηση.

Βελτίωση του σχεδιασμού μελέτης της τεχνολογίας AI σε κλινικά προβλήματα

Επί του παρόντος, οι περισσότερες έρευνες σχετικά με τη νέα διάγνωση με τη βοήθεια αξονικής τομογραφίας COVID-19 χρησιμοποιούν αναδρομικές μεθόδους ελέγχου περιπτώσεων. Ένα από τα πλεονεκτήματα είναι η γρήγορη απόκτηση διαφόρων πληροφοριών από περιορισμένα ερευνητικά θέματα, ενώ υπάρχει ο κίνδυνος μεροληψίας. Τα δείγματα σε μελέτες περιπτώσεων ελέγχου θα πρέπει να λαμβάνονται από το σύνολο των διαγνωστικών περιπτώσεων ή να επιλέγονται τυχαία από αυτά, ωστόσο, λόγω περιορισμένων πηγών, τα δείγματα δεν μπορούν να αντιπροσωπεύουν όλους τους ασθενείς. Η ειδική δειγματοληψία ελέγχου μπορεί να χρησιμοποιηθεί για τη μείωση της μεροληψίας και την ενίσχυση του επιπέδου αποδεικτικών στοιχείων σύμφωνα με την πραγματική κατάσταση, για παράδειγμα, επιλογή περιπτώσεων από το ίδιο ιατρικό ίδρυμα, χρήση δύο ή περισσότερων ομάδων ελέγχου και αντιστοίχισης μεταβλητών. Στην αξιολόγηση της απόδοσης του διαγνωστικού μοντέλου, το γράφημα πραγματικού θετικού ρυθμού και ψευδώς θετικού ρυθμού (χαρακτηριστική καμπύλη λειτουργίας δέκτη (ROC καμπύλη)) μπορεί να χρησιμοποιηθεί για να συγκριθεί η ερμηνεία του αλγορίθμου AI με την αξιολόγηση του ιατρού ή η περιοχή κάτω από την καμπύλη (AUC) ως η αναφορά της απόδοσης του μοντέλου. Ακόμα κι έτσι, εξακολουθεί να είναι δύσκολο να εξηγηθούν πλήρως τα κλινικά οφέλη βασιζόμενοι αποκλειστικά σε σύγκριση ή δείκτες, και άλλοι παράγοντες λήψης κλινικών αποφάσεων, στην πραγματικότητα, πρέπει να ληφθούν υπόψη για συνολική αξιολόγηση.

Βελτίωση της ακρίβειας της ετικέτας, επέκταση του αριθμού και της διάστασης των δειγμάτων εκπαίδευσης κατά τη διαδικασία υλοποίησης του μοντέλου

Στο αρχικό στάδιο, τα μοντέλα που εκπαιδεύτηκαν με έναν μικρό αριθμό δειγμάτων εικόνων CT έχουν ήδη δείξει καλή τάση. Με την πάροδο του χρόνου, περισσότερες περιπτώσεις θα βελτίωναν καλύτερη βασική υποστήριξη στην εκπαίδευση μοντέλων. Όσο περισσότερες εικόνες μαθαίνονται, τόσο υψηλότερο είναι το δυναμικό αντιμετώπισης της δυσκολίας των "ίδιων εικόνων, διαφορετικών περιπτώσεων" στη διάγνωση του COVID-19. Σε απάντηση σε αυτήν την κατάσταση, με βάση τα δεδομένα εικόνας CT, το μοντέλο μπορεί επίσης να επεκτείνει τον τομέα των πληροφοριών συνδυάζοντας τα κλινικά σήματα, την επιδημιολογία, την εργαστηριακή εξέταση και άλλα δεδομένα του ασθενούς για την ολοκληρωμένη αξιολόγηση της νόσου και τη βελτίωση της ακρίβειας της διάγνωσης. Η βελτίωση της ακρίβειας της επισήμανσης του δείγματος μπορεί να επιτευχθεί με τη βελτιστοποίηση της στρατηγικής χρυσού προτύπου. Εφαρμόστε πολλαπλά διαστήματα δοκιμής νουκλεϊκού οξέος για να αντισταθμίσετε την πιθανότητα ενός μεμονωμένου ψευδώς αρνητικού αποτελέσματος ή διασταυρώστε το αποτέλεσμα με αναφορά σε άλλα διαγνωστικά κιτ, όπως η ανίχνευση αντισωμάτων IgM/lgG.

Δημιουργία νέας βάσης δεδομένων τυπικών δοκιμών CT πνευμονίας κορωνοϊού

Μετά την υλοποίηση και την εσωτερική επαλήθευση της μοντελοποίησης AI, απαιτείται εξωτερική επαλήθευση αξιοπιστίας μέσω ενός τυπικού συστήματος δοκιμής βάσης δεδομένων. Όσον αφορά το καθιερωμένο πρότυπο σύστημα βάσης δεδομένων για τις παθήσεις του βυθού και τους πνευμονικούς όζους, οι οντότητες της νόσου προέρχονται από διαφορετικά ιατρικά ιδρύματα σε όλη τη χώρα, συμπεριλαμβανομένων των υπανάπτυκτη περιοχών. Τα δεδομένα περιέχουν μια ποικιλία προδιαγραφών και είναι συμβατά με συσκευές από διαφορετικά μοντέλα και παραμέτρους. Οι γιατροί που συμμετέχουν στην επισήμανση δεδομένων δοκιμής έχουν εμπειρία ιατρικής έρευνας σε τεχνητή νοημοσύνη και έχουν εκπαιδευτεί καλά. Μια ειδική ερευνητική ομάδα θα συγκροτηθεί από γιατρούς με υψηλή ακρίβεια, σταθερότητα και εμπλουτισμένη κλινική εμπειρία. Το τυπικό σύνολο δεδομένων δοκιμών διαγράφει τα ίχνη εταιρείας και μηχανών και ελέγχει αυστηρά την προκατάληψη δεδομένων για να διασφαλίσει δίκαιη και αντικειμενική αξιολόγηση απόδοσης σε κλειστό περιβάλλον [30]. Συνοψίζοντας, είναι δύσκολο να δημιουργηθεί μια νέα τυπική βάση δεδομένων CT COVID-19 βασιζόμενη αποκλειστικά σε μεμονωμένα ιδρύματα. Το έθνος θα πρέπει να παρέχει την αντίστοιχη υποστήριξη κατά την ειδική περίοδο της επιδημίας. Για παράδειγμα, δημιουργήστε γρήγορα μια νέα ειδική ομάδα τεχνητής νοημοσύνης για τον COVID-19 για να καθοδηγήσει και να συντονίσει τη συνεργασία και την κοινή χρήση πόρων από όλα τα μέρη σε ολόκληρη τη χώρα και να διαμορφώσετε από κοινού μια ειδική βάση δεδομένων δοκιμών ασθενειών και άλλα πρότυπα επαλήθευσης.

Τυποποίηση της διαχείρισης δεδομένων της ιατρικής έρευνας τεχνητής νοημοσύνης

Στις 3 Ιουλίου 2019, το Κέντρο Αξιολόγησης Ιατρικών Συσκευών κυκλοφόρησε τα «Βασικά σημεία της Ανασκόπησης Λογισμικού Ιατρικών Συσκευών Υποβοηθούμενης στη Λήψη Αποφάσεων σε βάθος μάθησης» (βασικά σημεία). Παρέχει την τεχνική καθοδήγηση των ιατρικών προϊόντων τεχνητής νοημοσύνης που έχουν καταχωριστεί ως ιατρικές συσκευές τρίτου τύπου και εξαλείφει το στενό πόδι της πολιτικής πριν από την κυκλοφορία του προϊόντος. Ωστόσο, δεν υπάρχουν νομικοί περιορισμοί όσον αφορά τη δεοντολογία και την ασφάλεια των δεδομένων. Η τεχνητή νοημοσύνη στην ιατρική έρευνα πρέπει να συμμορφώνεται με τη δεοντολογία και να προστατεύει την ασφάλεια και το απόρρητο των ατομικών δεδομένων. Εάν μπορούν να διαμορφωθούν εθνικοί ή περιφερειακοί νόμοι και κανονισμοί για την προστασία της ιδιωτικής ζωής των ασθενών, ενώ μπορεί να δημιουργηθεί μια τυποποιημένη πλατφόρμα διαχείρισης δεδομένων για έρευνα, τότε ένα ερευνητικό έργο μπορεί να αναθεωρηθεί αποτελεσματικά για να ανακαλύψει άμεσα πιθανούς κινδύνους στη διαδικασία σχεδιασμού και υλοποίησης. Θα εφαρμοστούν οδηγίες για την ασφάλεια των δεδομένων για την αποφυγή του κινδύνου παρεμπόδισης και καταστροφής της ανθρώπινης υγείας.

Βιβλιογραφικές αναφορές:

1 zc [Διαδίκτυο]. Πώς να χρησιμοποιήσετε την τεχνητή νοημοσύνη για τον εντοπισμό και την καταπολέμηση του νέου κοροναϊού [αναφέρθηκε στις 20 Μαρτίου 2020].

2. Huang Q[Διαδίκτυο]. Η ομάδα του ακαδημαϊκού Li Lanjuan κυκλοφόρησε: αυτά τα δύο φάρμακα μπορούν να αναστείλουν αποτελεσματικά τον νέο κοροναϊό [αναφέρθηκε στις 20 Μαρτίου 2020].

3. Wang XS, Peng YF, Lu L, et al. ChestX-Ray8: Βάση δεδομένων ακτινογραφίας θώρακος σε κλίμακα νοσοκομείου και σημεία αναφοράς σχετικά με την ασθενώς εποπτευόμενη ταξινόμηση και εντοπισμό κοινών παθήσεων του θώρακα. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, 2017, σελ. 3462-3471.

4. Li Z, Wang C, Han Μ, et αϊ. Εντοπισμός και Εντοπισμός Νοσημάτων Θώρακος με Περιορισμένη Επίβλεψη. arXiv e-prints, 2017. arXiv:1711.06373.

5. Singh R, Kalra MK, Nitiwarangkul C, et αϊ. Βαθιά μάθηση στην ακτινογραφία θώρακος: Ανίχνευση ευρημάτων και παρουσία αλλαγής. PLoS One. 2018; 13(10):e0204155. Δημοσιεύθηκε 4 Οκτωβρίου 2018.

6. Nam JG, Park S, Hwang EJ, et al. Ανάπτυξη και επικύρωση αλγορίθμου αυτόματης ανίχνευσης με βάση τη βαθιά μάθηση για κακοήθεις πνευμονικούς όζους σε ακτινογραφίες θώρακος. Ακτινολογία, 2019.

7. Lakhani P, Sundaram B. Deep Learning at Chest Radiography: Automated Classification of Pulmonary Tuberculosis by Using Convolutional Neural Networks. Ραδιολογία. 2017; 284 (2): 574–582.

8. Gale W, Oakden-Rayner L, Carneiro G, et al. Ανίχνευση καταγμάτων ισχίου με απόδοση σε επίπεδο ακτινολόγου χρησιμοποιώντας βαθιά νευρωνικά δίκτυα. arXiv e-prints, 2017. arXiv:1711.06504.

9. Rajpurkar Ρ, Irvin J, Bagul Α, et αϊ. MURA: Μεγάλο σύνολο δεδομένων για ανίχνευση ανωμαλιών σε μυοσκελετικές ακτινογραφίες. arXiv e-prints, 2017. arXiv:1712.06957.

10. Ridley EL[Διαδίκτυο]. Η βαθιά μάθηση δείχνει υπόσχεση για την αξιολόγηση της οστικής ηλικίας [αναφέρθηκε στις 15 Νοεμβρίου 2017].

11. Yee KM[Διαδίκτυο]. Ο αλγόριθμος AI ταιριάζει με τους ακτινολόγους στις εξετάσεις προσυμπτωματικού ελέγχου του μαστού [αναφέρθηκε στις 13 Δεκεμβρίου 2017].

12. Lehman CD, Yala Α, Schuster Τ, et al. Μαστογραφική Εκτίμηση Πυκνότητας Μαστού με χρήση Deep Learning: Κλινική Εφαρμογή. Ακτινολογία, 2019. 290(1): σελ. 52-58.

13. Ridley EL. Ο αλγόριθμος βαθιάς μάθησης μπορεί να στρωματοποιήσει τον κίνδυνο όζων στους πνεύμονες [αναφέρθηκε στις 26 Νοεμβρίου 2017].

14. Ali I, Hart GR, Gunabushanam G, et al. Ανίχνευση όζων πνεύμονα μέσω Εκμάθησης Βαθιάς Ενίσχυσης. Μπροστινό Oncol. 2018; 8:108. Δημοσιεύθηκε 2018 Απρ 16. doi:10.3389/fonc.2018.00108.

15. Walsh SLF, Calandriello L, Silva Μ, et αϊ. Βαθιά μάθηση για την ταξινόμηση της ινωτικής πνευμονικής νόσου σε υπολογιστική τομογραφία υψηλής ανάλυσης: μια μελέτη περίπτωσης-κοόρτης. Lancet Respir Med. 2018; 6(11): 837–845.

16. Yasaka Κ, Akai Η, Abe O, et αϊ. Deep Learning with Convolutional Neural Network for Differentiation of Liver Masses at Dynamic Contrast-Enhanced CT: A Preliminary Study. Ραδιολογία. 2018; 286(3):887–896.

17. Liu FZ, Xie LX, Xia YD, et αϊ. Αναπαράσταση σχήματος άρθρωσης και ταξινόμηση για ανίχνευση PDAC. arXiv e-prints, 2018. arXiv:1804.10684.

18. Bar A, Wolf L, Amitai OB, et al. Ανίχνευση συμπιεστικών καταγμάτων στην αξονική τομογραφία. arXiv e-prints, 2017. arXiv:1706.01671.

19. Lieman-Sifry J, Le M, Lau F, et al. FastVentricle: Καρδιακή Τμηματοποίηση με ENet. arXiv e-prints, 2017. arXiv:1704.04296.

20. Madani A, Arnaout R, Mofrad M, et al. Γρήγορη και ακριβής ταξινόμηση προβολής ηχοκαρδιογραφημάτων με χρήση βαθιάς μάθησης. npj Digital Med 1, 6 (2018).

21. Zhang J, Gajjala S, Agrawal Ρ, et αϊ. Πλήρως αυτοματοποιημένη ερμηνεία υπερηχοκαρδιογραφήματος στην κλινική πράξη. Κυκλοφορία, 2018. 138(16): Σελ. 1623-1635.

22. Li XC, Zhang S, Zhang Q, et αϊ. Διάγνωση του καρκίνου του θυρεοειδούς χρησιμοποιώντας μοντέλα βαθιών συνελικτικών νευρωνικών δικτύων που εφαρμόζονται σε υπερηχογραφικές εικόνες: μια αναδρομική, πολυκοόρτη, διαγνωστική μελέτη. Lancet Oncol. 2019; 20 (2): 193–201. doi:10.1016/S1470-2045(18)30762-9.

23. Li HL, Weng J, Shi YJ, et αϊ. Μια βελτιωμένη προσέγγιση βαθιάς μάθησης για την ανίχνευση του θηλώδους καρκίνου του θυρεοειδούς σε εικόνες υπερήχων. Sci Rep. 2018;8(1):6600. Δημοσιεύθηκε 26 Απριλίου 2018.

24. Γραφείο Εθνικής Επιτροπής Υγείας [Διαδίκτυο]. Διάγνωση και θεραπεία της πνευμονίας του νέου κοροναϊού (πέμπτη δοκιμαστική έκδοση) [αναφέρεται 2020, 04 Φεβρουαρίου].

25. Alibaba DAMO Academy [Διαδίκτυο]. Πώς πιστεύετε για τη νέα τεχνολογία διάγνωσης Τεχνητής Νοημοσύνης με αξονική τομογραφία πνευμονίας κορωνοϊού που αναπτύχθηκε από την Ακαδημία Ali Damo, με μέσο ποσοστό αναγνώρισης 96 τοις εκατό σε λιγότερο από 20 δευτερόλεπτα; [ 2020-02-19].

26. Ενωμένη απεικόνιση. Κατακτώντας το επίτευγμα της «επιδημίας» - κυκλοφόρησε επίσημα το νέο ευφυές βοηθητικό σύστημα ανάλυσης για την πνευμονία του κορωνοϊού uAI [αναφέρεται στις 10 Φεβρουαρίου 2020]

27. Gozes Ο, Frid-Adar Μ, Greenspan Η, et αϊ. Κύκλος ταχείας ανάπτυξης τεχνητής νοημοσύνης για την πανδημία του κορωνοϊού (COVID-19): Αρχικά αποτελέσματα για αυτοματοποιημένη ανίχνευση και παρακολούθηση ασθενών με χρήση ανάλυσης εικόνας CT Deep Learning. ArXiv abs/2003.05037 (2020): n. σελ.

28. Huang L, Han R, Ai T, et αϊ. Σειριακή ποσοτική αξονική τομογραφία θώρακος για τον COVID-19: Προσέγγιση βαθιάς μάθησης. Ακτινολογία: Καρδιοθωρακική απεικόνιση 2020 2:2.

29. Li L, Qin LX, Xu ZG, et al. Η τεχνητή νοημοσύνη διακρίνει τον COVID-19 από την πνευμονία που αποκτήθηκε από την κοινότητα στην αξονική τομογραφία θώρακα. Ραδιολογία. 2020; 200905.

30. Jin YH, Qiu M J. China Artificial Intelligence Medical White Paper. Shanghai: Shanghai Jiao Tong University Artificial Intelligence Institute, 2019. (Κινεζικά)