Улога и изазов вештачке интелигенције у дијагнози новог коронавируса пнеумоније ЦТ

За више информација:ali.ma@wecistanche.com

Хигхлигхтс

Овај рад на нови начин разматра научност и нормативност засновану на захтевима методологије клиничког испитивања, посматрајући процес развоја софтвера вештачке интелигенције (АИ) као дијагностичко истраживање компјутеризоване томографије (ЦТ) клиничких испитивања. У раду се такође наводе 4 начина за промовисање дијагностичког софтвера АИ који помаже у стварним клиничким проблемима и доноси пацијентима стварне клиничке користи.

Цлицк то цистанцхе нежељене ефекте и Цистанцхе за имунитет

Апстрактан

Почетком 2020. нова коронавирусна упала плућа(ЦОВИД-19)избио у Кини. Многи медицински производи брзо су се појавили у области вештачке интелигенције (АИ), која је играла важну улогу у борби против пандемије. Овај чланак сумира тренутна истраживања и статус примене АИ у радиологији и контроли пандемије и анализира уобичајене проблеме АИ технологије у истраживањуЦОВИД-19дијагноза. Углавном укључује размишљања о дизајну клиничких студија, потешкоћама у спровођењу истраживања и изазовима у верификацији поузданости АИ модела. Као одговор на горе наведене потешкоће, предлажу се предлози за оптимизацију научности и квалитета дијагностичког истраживања АИ.

Кључне речи:ЦОВИД-19пандемија, Вештачка интелигенција, Компјутеризована томографија, Клиничка истраживања

Важна улога разноврсних производа вештачке интелигенције у борби против епидемије

Почетком 2020. избијањенови вирус корона упала плућа(Корона вирус, ЦОВИД-19) стављају имплементацију превенције и контроле болести у велики изазов. На пример, како брзо измерити свачију телесну температуру у саобраћајном чворишту са великим протоком саобраћаја; како брзо издвојити потенцијално ефикасне лекове међу огромним могућностима; како прегледати сумњиве случајеве у великој популацији; како се носити са недостатком медицинских стручњака и унакрсном инфекцијом током лечења дијагностикованих пацијената. Вештачка интелигенција (Ал, као једна од најпопуларнијих области последњих година, решава неке проблеме применом нових АИ производа, што побољшава ефикасност превенције, контроле и дијагнозе болести.

АИ помаже у праћењу и симулацији тренда развоја епидемије анализом трагова активности људи, како би се рано упозорила подручја потенцијалног ширења. АИ такође може анализирати путеве размножавања, лоцирати блиске контакте дијагностичких пацијената и брзо предузети карантин и лечење. Инфрацрвени термовизир са АИ технологијом препознавања слике врши детекцију грознице на јавним местима како би лоцирао особе са абнормалном телесном температуром[1]. У развоју нових лекова, АИ помаже да се пронађу најмоћнији антивирусни и антиинфламаторни лекови из стотина лекова за даљи развој [2]. У дијагнози и лечењу, усвојен је модел дубоке неуронске мреже (ДНН) за препознавање графичких података компјутерске томографије (ЦТ) („ЦТ плус АИ) како би се помогло лекарима да брзо поставе дијагнозе.

Изазови са којима се суочава „ЦТ плус АИ“ у помагању у дијагнози ЦОВИД-а-19

Посебну пажњу привукла је примена вештачке интелигенције у радиологији. ДНН се широко користи у различитим медицинским технологијама скенирања, на пример, дијагностика пнеумоније на дигиталној радиографији грудног коша (ДР)[3-5], откривање канцерозних плућних нодула [6] и туберкулозе [7], откривање прелома, и предвиђање коштаног доба путем рендгенског снимка [8-10].преглед и процена рендгенских снимака дојке [11,12]; откривање и дијагностика плућних чворова [13,14], пнеумоније [15], маса јетре [16], карцинома панкреаса[17] и фрактура компресије пршљенова [18] на ЦТ снимцима; оцртава комору у магнетној резонанцији срца [19]. Инспекција ултразвучног прегледа, АИ модел може да изврши дијагнозу и квантитативну анализу срчане слике [20.21]. као и детекцију ултразвучних тироидних чворова и дијагностику бенигних и малигних [22,23] (Табела 1).

У дијагностици нове коронавирусне пнеумоније, ЦТ, ДР и ултразвук се обично користе технике сликовног прегледа, у одговарајућим процесима и сценаријима према сопственим карактеристикама. ЦТ је приоритет у раној фази откривања лезија међу њима. Пошто је објављен „Програм дијагностике и лечења пнеумоније ЦОВИД-19 (пробна верзија 5)“, дијагностика ЦТ имиџинга је такође укључена у стандарде клиничке дијагнозе новог ЦОВИД-19 [24]. Међутим, дијагноза једног пацијента захтева ручно посматрање више од стотину ЦТ слика. Уз велики број клиничких потреба, лекари трпе велико оптерећење са ниском ефикасношћу. Софтверски омогућена АИ технологија може да реши ова клиничка уска грла. ЦТ инспекција је постала преферирано решење за снимање за тренутни софтвер за дијагностику пнеумоније АИ због његове високе тачности, јединствених стандарда и дубоке акумулације индустријских података и технологије [27. У практичним применама, дијагностички модели могу да идентификују слику пнеумоније помоћу специфичног алгоритма да предвиде да ли је болестан [27-29]. Модел квантитативне анализе плућа може открити локацију лезије, избројати број лезија, оцртати обим лезије, израчунати стопу инфекције подручја плућне лезије и сарађивати са софтвером за праћење ради управљања прогресијом болести и процене прогноза [28]. Уз помоћ софтвера, смањује се оптерећење лекара, а побољшава се брзина и тачност дијагнозе и лечења, али је важно истаћи неке уобичајене проблеме у истраживању ЦТ дијагнозе нове корона вирусне пнеумоније уз помоћ Ал, и то:

Дизајн студија

У новој ЦТ дијагнози ЦОВИД-19 пнеумоније, дизајн модела треба да се разматра на различите начине како би се прилагодиле различите фазе дијагнозе и лечења у најпочетнијој фази развоја дијагностичког модела „ЦТ плус АИ“. На пример, контролна група која се користи за обуку модела раног скрининга треба да се разликује од групе изабране у антидијастоли: 1) Одлуке у проблему раног скрининга преферирају високу осетљивост за одвајање сумњивих случајева од здраве популације, стога, узорци контролних случајева обучени од стране АИ модел треба да буде ЦТ слике здравих плућа у односу на слике нездравих плућа. Случајеви нездравих плућа се састоје од више сумњивих типова пнеумоније како би се осигурало перформансе модела ниске стопе промашене дијагнозе. 2) У антидијастолном сценарију, способност високе специфичности је од суштинског значаја за разликовање нове коронавирусне пнеумоније од оне пнеумоније изазване другим инфекцијама. Конкретније, имајући у виду стварне клиничке околности, идеалан контролни дизајн треба да упореди две групе са сличним клиничким симптомима или епидемиолошком историјом као што су грозница, кашаљ, абнормалности слике ЦТ плућа, али негативни и позитивни резултати у тесту нуклеинске киселине (или другим дијагностичким златним стандардима) . Такав дизајн је имао за циљ да консолидује карактеристичније радиомичне карактеристике нове коронавирусне пнеумоније. Поред тога, метрику евалуације одабрану за процену перформанси модела треба пажљиво размотрити. На пример, када се оцењује „ЦТ плус АИ“ дијагностички модел, однос тачности није одговарајући индикатор који може у потпуности проценити модел. Неравнотежа између позитивних и негативних узорака података теста довела би до проблема прецењивања перформанси (нпр. сет тестова који се састоји од 96 позитивних и 4 негативна случаја могао би да привуче наивни модел који даје високу прецизност до 96 процената, чак и ако само модел реци позитивно). АИ дијагностички софтвер се примењује у специфичним клиничким проблемима ради боље способности и ефикасности. Пре имплементације, циљеви студије морају бити разјашњени и рашчишћени за специфичне клиничке проблеме. Затим треба спровести осмишљавање методологије на научни начин. Такође треба формулисати комплетан план истраживања. Објекти проучавања, правило инклузивног-ексклузивног и метрика евалуације крајње тачке треба у потпуности размотрити. Водећи са научним дизајном, ризик од пристрасности се може свести на минимум, могу се добити висококвалитетни истраживачки докази и могу се обезбедити поуздане смернице за клиничку примену.

Имплементација истраживања

Процес обуке ДНН модела вештачке интелигенције је искључиво заснован на подацима. Ослања се на велики број тачно означених узорака слика током фазе обуке. Што је већа количина података, то је бољи дискриминативни учинак модела. Систем за дијагностику дијабетичке ретинопатије, као медицински уређај са вештачком интелигенцијом, који је развио амерички технолошки гигант Гугл, прошао је другу фазу клиничких испитивања. Процес обуке система користи 130 милиона слика од 10,000 случајева, што је близу нивоа медицинских стручњака [30]. Насупрот томе, иако су одређене медицинске јединице акумулирале нове податке о ЦТ снимку коронавируса у сарадњи са произвођачима технологије за обуку и развој софтвера у епидемији, укупан износ је релативно мали и дистрибуција је релативно раштркана, плус оскудни ресурси стручњака за ЦТ слику означавање у почетној фази, што резултира само малим скупом података доступним за обуку модела и тешко гарантујући квалитет обележавања. Недовољни подаци о обуци могу да доведу до тога да ДНН модел „запамти“ информације на ЦТ сликама које нису релевантне за стварну дијагнозу због својих структурних карактеристика са јаком експресивном снагом, што доводи до прекомерног прилагођавања и смањења способности да се процени будући подаци. Да би се постигао довољан ефекат тренинга под условом мањег обима података, често је потребно дизајнирати сложенију интерну структуру модела и моделирати вештине обуке, што такође повећава потешкоћу имплементације.

Разматрање о новој изузетности ЦОВИД-а-19

На основу клиничког искуства, ЦТ снимак грудног коша нове коронавирусне пнеумоније има карактеристике „сличне слике, али различите болести“. Људским очима је тешко разликовати што повећава потешкоће у антидијастоли. Потешкоћа је израженија ако је узорак за обуку мали. Поред тога, као један од критеријума за дијагнозу новог ЦОВИД-19, резултати комплета нуклеинске киселине показују високу специфичност, али ниску осетљивост. Ако се користи за означавање узорака за обуку као златни стандард, стварни позитивни узорци би имали тенденцију да буду погрешно означени као негативни. Обука са погрешно означеним подацима ће директно смањити перформансе модела.

Провера поузданости дијагнозе АИ

Није поуздано проценити ефекат дијагнозе само интерним тестом података након имплементације АИ дијагностичког модела. Конфузија испод података узрокована различитим моделима ЦТ опреме, географским регионима, стварним клиничким окружењем, варијацијом вируса и другим факторима, може утицати на дијагностички резултат модела. Модел једва да има способност да се носи са овим збуњујућим факторима са ограниченим интерним тестовима података. Када се дијагностички софтвер вештачке интелигенције стави у клиничку употребу без потпуне валидације, може се поновити само путем ванмрежне обуке и оптимизације јер не може да побољша ниво дијагнозе и лечења настављајући да учи нове случајеве као што су људски лекари. У поређењу са погрешном дијагнозом лекара, потенцијални јатрогени ризици узроковани ограничењима компјутерског софтвера биће израженији. Према новој верзији „Каталога класификације медицинских уређаја“ (ЦФДА 2017 бр. 143), дијагностички софтвер вештачке интелигенције, као медицински уређај, треба да настави са систематском ревизијом и опсежном симулацијом, чак и проспективним клиничким испитивањима, како би у потпуности потврдио тачност и поузданост клиничке дијагнозе. Група за вештачку интелигенцију Националног института за контролу хране и лекова (НИФДЦ) успоставила је безбедносни систем медицинских уређаја са вештачком интелигенцијом и одредила метод тестирања на основу стандардне верификације скупа података [30]. Тренутно не постоји стандардна база података за нову болест ЦОВИД-19, тако да је тешко верификовати високу тачност поновљивости постојећег АИ софтвера у већини дијагноза медицинских скенирања у стварном свету.

Побољшати квалитет и научну стандардизацију дијагностичког модела "ЦТ плус АИ".

Примена вештачке интелигенције у медицинској индустрији је још увек у раној фази у Кини, док је последњих година добила велику пажњу и брз развој, што је чак укључено у национални стратешки план [30]. Многи производи вештачке интелигенције показали су обећавајуће изгледе у области медицине. У следећој фази, за комерцијализацију, фокус индустрије би био на научном пројектовању истраживања и стандардизацији процеса имплементације и верификације; здраво развити вештачку интелигенцију у медицинској индустрији, стандардизовати управљање дијагностичким производима уз помоћ Ал према спецификацији новог медицинског апарата. Иако су многи производи вештачке интелигенције који су се појавили током епидемије донели погодности лекарима у дијагнози и лечењу болести, општа научна строгост и поузданост квалитета и даље захтевају даље побољшање и усавршавање.

Побољшати дизајн студија АИ технологије у клиничким проблемима

Тренутно, већина истраживања о новој дијагнози уз помоћ ЦТ-а ЦОВИД-19 користи ретроспективне методе контроле случајева. Једна од предности је брзо добијање различитих информација од ограничених субјеката истраживања, док постоји ризик од пристрасности. Узорке у студијама случај-контрола треба узимати из укупних дијагностичких случајева или насумично бирати из њих, међутим, због ограничених извора, узорци не могу представљати све пацијенте. Специјално контролно узорковање се може користити да се смањи пристрасност и побољша ниво доказа у складу са стварном ситуацијом, на пример, одабиром случајева из исте медицинске установе, коришћењем две или више контролних група и подударањем варијабли. У процени перформанси дијагностичког модела, дијаграм праве позитивне стопе и лажно позитивних стопа (крива оперативне карактеристике пријемника (РОЦ крива)) се може користити за упоређивање интерпретације АИ алгоритма са проценом лекара или површине испод криве (АУЦ) као референца перформанси модела. Чак и тако, још увек је тешко у потпуности објаснити клиничку корист ослањајући се искључиво на поређење или индикаторе, други фактори клиничког одлучивања, у стварности, такође морају бити узети у обзир за свеобухватну процену.

Побољшање тачности ознаке, проширење броја и димензије узорака за обуку током процеса имплементације модела

У примарној фази, модели обучени малим бројем узорака ЦТ снимака већ су показали добар тренд. Временом би више случајева побољшало бољу основну подршку у обуци модела. Што се више слика научи, већи је потенцијал за превазилажење потешкоћа „исте слике, различити случајеви“ у дијагнози ЦОВИД-19. Као одговор на ову ситуацију, на основу података ЦТ снимка, модел такође може да прошири домен информација комбиновањем клиничких сигнала пацијента, епидемиологије, лабораторијског прегледа и других података како би се свеобухватно проценила болест и побољшала тачност дијагнозе. Побољшање тачности означавања узорака може се постићи оптимизацијом стратегије златног стандарда. Примените тест нуклеинске киселине у више интервала да бисте компензовали могућност једног лажно негативног резултата или унакрсну проверу резултата који се односи на друге дијагностичке комплете, као што је детекција ИгМ/лгГ антитела.

Успоставите нову базу података стандардног тестирања ЦТ за пнеумонију на коронавирус

Након имплементације и интерне верификације АИ моделирања, потребна је екстерна верификација поузданости кроз стандардни систем за тестирање базе података. Што се тиче успостављеног стандардног система базе података о болестима фундуса и плућним чворовима, ентитети болести долазе из различитих здравствених установа широм земље, укључујући и неразвијена подручја. Подаци садрже различите спецификације и компатибилни су са уређајима различитих модела и параметара. Лекари који учествују у обележавању тестних података имају искуство у медицинском истраживању вештачке интелигенције и добро су обучени. Посебан истраживачки тим ће формирати лекари са високом прецизношћу, стабилношћу и обогаћеним клиничким искуством. Стандардни скуп података за тестирање брише трагове компаније и машине и стриктно контролише пристрасност података како би се обезбедила фер и објективна процена перформанси у затвореном окружењу [30]. Да резимирамо, тешко је успоставити нову стандардну базу података ЦОВИД-19 ЦТ ослањајући се искључиво на појединачне институције. Нација треба да пружи одговарајућу подршку током посебног периода епидемије. На пример, брзо успоставите нову специјалну групу за вештачку интелигенцију ЦОВИД-19 која ће водити и координирати сарадњу и дељење ресурса свих страна широм земље и заједно формулисати специјалну базу података о тестовима болести и друге стандарде за верификацију.

Стандардизовати управљање подацима медицинских истраживања вештачке интелигенције

Дана 3. јула 2019. Центар за евалуацију медицинских уређаја објавио је „Кључне тачке прегледа софтвера медицинских уређаја уз помоћ дубоког учења при доношењу одлука“ (кључне тачке). Пружа техничке смернице за медицинске производе вештачке интелигенције регистроване као медицински уређаји трећег типа и елиминише уско грло у политици пре лансирања производа. Међутим, не постоје законска ограничења у погледу етике и безбедности података. Вештачка интелигенција у медицинским истраживањима мора да буде у складу са етиком и да штити безбедност и приватност појединачних података. Ако се могу формулисати национални или регионални закони и прописи о заштити приватности пацијената, док се може успоставити стандардизована платформа за управљање подацима за истраживање, онда се истраживачки пројекат може ефикасно ревидирати како би се брзо открили потенцијални ризици у процесу дизајна и имплементације. Смернице о безбедности података ће се спроводити како би се избегао ризик од ометања и уништавања здравља људи.

Референце:

1 зц [Интернет]. Како користити вештачку интелигенцију за откривање и борбу против новог коронавируса [цитирано 20. марта 2020.].

2. Хуанг К [Интернет]. Тим академика Ли Лањуана објавио је: ова два лека могу ефикасно да инхибирају нови коронавирус [цитирано 20. марта 2020.].

3. Ванг КСС, Пенг ИФ, Лу Л, ет ал. Рендген грудног коша8: База података о рендгенским снимцима грудног коша у болничкој скали и мерила о класификацији и локализацији уобичајених болести грудног коша под слабом контролом. 2017 ИЕЕЕ конференција о компјутерском виду и препознавању узорака (ЦВПР), Хонолулу, ХИ, 2017, стр. 3462-3471.

4. Ли З, Ванг Ц, Хан М, ет ал. Идентификација и локализација торакалне болести са ограниченим надзором. арКсив е-принтс, 2017. арКсив:1711.06373.

5. Синг Р, Калра МК, Нитиварангкул Ц, ет ал. Дубоко учење у радиографији грудног коша: Детекција налаза и присуство промена. ПЛоС Оне. 2018;13(10):е0204155. Објављено 4. октобра 2018.

6. Нам ЈГ, Парк С, Хванг ЕЈ, ет ал. Развој и валидација аутоматског алгоритма за детекцију малигних плућних чворова на рендгенским снимцима грудног коша заснованог на дубоком учењу. Радиологија, 2019.

7. Лакхани П, Сундарам Б. Дубоко учење на радиографији грудног коша: аутоматизована класификација плућне туберкулозе коришћењем конволуционих неуронских мрежа. Радиологи. 2017;284(2):574–582.

8. Гале В, Оакден-Раинер Л, Царнеиро Г, ет ал. Откривање прелома кука са перформансама на нивоу радиолога помоћу дубоких неуронских мрежа. арКсив е-принтс, 2017. арКсив:1711.06504.

9. Рајпуркар П, Ирвин Ј, Багул А, ет ал. МУРА: Велики скуп података за откривање абнормалности на рендгенским снимцима мишићно-скелетног система. арКсив е-принтс, 2017. арКсив:1712.06957.

10. Ридлеи ЕЛ [Интернет]. Дубоко учење обећава процену коштаног доба [цитирано 15. новембра 2017.].

11. Иее КМ[Интернет]. Алгоритам АИ одговара радиолозима на прегледима дојки [цитирано 13. децембра 2017.].

12. Лехман ЦД, Иала А, Сцхустер Т, ет ал. Мамографска процена густине дојке коришћењем дубоког учења: клиничка примена. Радиологија, 2019. 290(1): стр. 52-58.

13. Ридлеи ЕЛ. Алгоритам дубоког учења може да стратификује ризик од плућних нодула [цитирано 26. новембра 2017.].

14. Али И, Харт ГР, Гунабусханам Г, ет ал. Детекција плућних нодула путем учења дубоког појачања. Фронт Онцол. 2018;8:108. Објављено 16. априла 2018. дои:10.3389/фонц.2018.00108.

15. Валсх СЛФ, Цаландриелло Л, Силва М, ет ал. Дубоко учење за класификацију фиброзних болести плућа на рачунарској томографији високе резолуције: студија случаја. Ланцет Респир Мед. 2018;6(11):837–845.

16. Иасака К, Акаи Х, Абе О, ет ал. Дубоко учење са конволуционом неуронском мрежом за диференцијацију маса јетре на ЦТ са динамичким контрастом: Прелиминарна студија. Радиологи. 2018;286(3):887–896.

17. Лиу ФЗ, Ксие ЛКС, Ксиа ИД, ет ал. Заједничко представљање облика и класификација за откривање ПДАЦ-а. арКсив е-принтс, 2018. арКсив:1804.10684.

18. Бар А, Волф Л, Амитаи ОБ, ет ал. Детекција компресијских прелома на ЦТ. арКсив е-принтс, 2017. арКсив:1706.01671.

19. Лиеман-Сифри Ј, Ле М, Лау Ф, ет ал. Брза комора: сегментација срца са ЕНет-ом. арКсив е-принтс, 2017. арКсив:1704.04296.

20. Мадани А, Арнаоут Р, Мофрад М, ет ал. Брза и прецизна класификација ехокардиограма помоћу дубоког учења. нпј Дигитал Мед 1, 6 (2018).

21. Зханг Ј, Гајјала С, Агравал П, ет ал. Потпуно аутоматизована интерпретација ехокардиограма у клиничкој пракси. Тираж, 2018. 138(16): стр. 1623-1635.

22. Ли КСЦ, Зханг С, Зханг К, ет ал. Дијагноза карцинома штитасте жлезде коришћењем модела дубоких конволуционих неуронских мрежа примењених на сонографске слике: ретроспективна, мултикохортна, дијагностичка студија. Ланцет Онцол. 2019;20(2):193–201. дои:10.1016/С1470-2045(18)30762-9.

23. Ли ХЛ, Венг Ј, Схи ИЈ, ет ал. Побољшани приступ дубоког учења за откривање папиларног карцинома штитне жлезде на ултразвучним сликама. Сци Реп. 2018;8(1):6600. Објављено 26. априла 2018.

24. Канцеларија Националне здравствене комисије [Интернет]. Дијагноза и лечење нове коронавирусне пнеумоније (пета пробна верзија) [цитирано 4. фебруара 2020.].

25. Алибаба ДАМО академија [Интернет]. Шта мислите о новој ЦТ технологији за дијагностику пнеумоније са ЦТ-ом коју је развила Али Дамо академија, са просечном стопом препознавања од 96 процената за мање од 20 секунди? [ 2020-02-19].

26. Унитед имагинг. Освајање „епидемијског“ пробоја - званично лансиран нови систем за анализу интелигентних помоћника за упалу плућа уАИ за коронавирус [цитирано 10. фебруара 2020.]

27. Гозес О, Фрид-Адар М, Греенспан Х, ет ал. Циклус брзог развоја вештачке интелигенције за пандемију коронавируса (ЦОВИД-19): почетни резултати за аутоматизовано откривање и праћење пацијената помоћу анализе ЦТ слике дубоког учења. АрКсив абс/2003.05037 (2020): н. паг.

28. Хуанг Л, Хан Р, Аи Т, ет ал. Серијска квантитативна ЦТ процена ЦОВИД-а-19: приступ дубоком учењу. Радиологија: кардиоторакална слика 2020 2:2.

29. Ли Л, Кин ЛКС, Ксу ЗГ, ет ал. Вештачка интелигенција разликује ЦОВИД-19 од пнеумоније стечене у заједници на ЦТ грудног коша. Радиологи. 2020;200905.

30. Јин ИХ, Киу М Ј. Цхина Артифициал Интеллигенце Медицал Вхите Папер. Шангај: Институт за вештачку интелигенцију Универзитета Шангај Јиао Тонг, 2019. (кинески)