براساس تحقیق منتشر شده در ۱۴ آگوست نشان داد که یک الگوریتم هوش مصنوعی یا AL آموزش دیده روی یک مجموعه داده بزرگ و چند ملیتی می تواند برای شناسایی پنومونی COVID-19 در سی تی اسکن از قفسه سینه بسیار دقیق باشد. این نوع الگوریتم علاوه بر این می تواند برای ذات الریه نیز عملکرد موفقی داشته باشد. به همین دلیل آزمایشات فراوانی انجام شد تا ثابت کند الگوریتم هوش مصنوعی می تواند برای تشخیص COVID-19 قابل تعمیم باشد.
الگوریتم هوش مصنوعی و کووید-۱۹
محققان موسسه ملی بهداشت آمریکا در بتسدا، MD ، واحد پردازش گرافیک توسعه دهنده فناوری Nvidia و چندین موسسه دیگر در سراسر جهان، یک سری الگوریتم های یادگیری عمیق در مورد سی تی اسکن قفسه سینه آموزش دادند که شامل موارد مبتلا به COVID-19 بستری در چهر بیمارستان سه کشور مختلف بود. در آزمایش بر روی یک مجموعه داده مستقل و متنوع، مدل دارای بهترین عملکرد آنها دقتی بیش از ۹۰ درصد برای طبقه بندی پنومونی COVID-19 به همراه داشت.
در حالی که تصویربرداری CT ممکن است به طور فعال در تشخیص و غربالگری COVID-19 استفاده نشود، رویکرد الگوریتم هوش مصنوعی مبتنی بر یادگیری عمیق ممکن است به عنوان ابزاری استاندارد و هدفمند برای کمک به ارزیابی یافته های تصویربرداری COVID-19 به کار رود و به طور بالقوه ممکن است باشد و ممکن است به عنوان ابزار تحقیقاتی، معیاری برای پاسخ آزمایشات بالینی و یا به عنوان ابزاری در آزمایشات مکمل در جمعیت های محدود و یا برای انجام آزمایشات برای بررسی شیوع مجدد بیماری بسیار مفید باشد. این نتایج توسط تیم تحقیقاتی انجمن سرطان به ریاست دکتر استفانی هارمون و دکتر باربیس ترکیبی از انجمن سرطان بدست آمده است. سایر محققانی که در این تحقیق مشارکت داشته اند عبارتند از دکتر توماس سانفورد از دانشگاه ایالتی نیویورک، دکتر پنگ از بیمارستان شیانگ یانگ چین و دکتر بردفورد از مرکز بالینی NIH.
علیرغم اینکه بر اساس تحقیقات مختلف ثابت شده که هوش مصنوعی در تشخیص COVID-19 دقت و موفقیت ۹۵ درصدی داشته است، محققان تصمیم گرفتند تا به تعمیم و بسط دادن نتایج حاصل از الگوریتم های هوش مصنوع یدر داده های چند ملیلتی از چهار بیمارستان مختلف در کشورهای ایتالیا، ژاپن، و چین، پتانسیل استفاده از این روش را به حداکثر برسانند.
علاوه بر آزمایشات انجام شده برای غربالگری COVID-19، این گروه الگوریتمی شامل تحقیقات و داده هایی بود که در همان روز به عنوان آزمایش اولیه واکنش زنجیره ای پلیمراز نسخه معکوس مثبت یا RT-PCR و از بیماران مبتلا به بیماری کرونا حاد بستری در بیمارستان به دست آمده بود. علاوه بر این، این مجموعه داده شامل موارد کنترل طبیعی از CT قفسه سینه است که برای موارد سرطان، اورژانس و ذات الریه در دو بیمارستان دیگر انجام شده است. در این آزمایش از یک مجموعه داده عمومی نیز استفاده شده است.
در نهایت محققین اینگونه نوشتند که: “علاوه بر این، داده های حاوی اطلاعات بیمارانی بود که تحت سی تی اسکن بالینی معمولی برای انواع مختلف علائم از جمله مراقبت های حاد، تروما، انکولوژی و تنظیمات مختلف بستری برای استفاده از الگوریتم تحت درمان قرار گرفته بودند،”
محققان پس از ایجاد الگوریتم تقسیم ریه در ابتدا ، چندین مدل مختلف طبقه بندی را ارزیابی کردند. آموزش و اعتبارسنجی روی ۱۲۸۰ بیمار انجام شد. در حقیقت این آزمایشی بر روی یک مدل تحقیقاتی متشکل از ۱۳۳۷ بیمار انجام شده است. بهترین نتایج با استفاده از یک مدل طبقه بندی سه بعدی حاصل شد که در این مدل برای شناسایی و انتخاب درمان مناسب از کل منطقه ریه استفاده می کند.
محققان خاطرنشان کردند که عملکرد الگوریتم هوش مصنوعی در گروه های بیماران در مراکزی که از CT در مسیر تشخیص زودتر استفاده کرده اند، بالاتر بوده است. تحقیقات نشان داده اند که هنگامی که برای تشخیص ذات الریه از CT استفاده می شود، کارایی تشخیصی به مرتب ضعیف از کارایی آن در تشخیص کرونا است.
محققین در مورد این نوع الگوریتم نوشته اند که: “استفاده از الگوریتم هوش مصنوعی به عنوان ابزار تشخیصی در زمینه پنومونی زودرس و پیشرفته مرتبط به COVID-19 قابل توجیه است.” اگرچه حساسیت استفاده از این مدل در گروه های چند ملیتی به طور متوسط کاهش می یابد، اما به نظر محققان، با توجه به تنوع در دستیابی به CT و ملاحظات بالینی، استفاده از الگوریتم هوش مصنوعی در تشخیص COVID-19 به خوبی قابل تعمیم است. با توجه به این آزمایشات اعتبار لازم برای استفاده از الگوریتم هوش مصنوعی به عنوان ابزار تشخیصی در بیماری کرونا به دست آمده است.
تجزیه و تحلیل الگوریتم هوش مصنوعی بر میزان توسعه COVID-19 در CT قفسه سینه
بر اساس تحقیقی که در رادیولوژی در تاریخ ۳۰ ژوئیه منتشر شد، یک الگوریتم هوش مصنوعی که به طور آزاد در دسترس است ، می تواند عملکرد تشخیصی قابل مقایسه ای را برای ارزیابی احتمال و شدت COVID-19 در آزمایش CT قفسه سینه در بیماران بدون مشکل، به رادیولوژیست ها ارائه دهد.
CORADS-AI سیستمی از سه الگوریتم یادگیری عمیق است که به طور خودکار پنج لوب ریوی را تقسیم می کند. نتایج به دست آمده از CORADS-AI دارای دقت تشخیصی بالا و همچنین ارزیابی های شدیدی بود که شباهت و تطابق قابل ملاحظه ای با نظرات رادیولوژیست ها داشت.
علیرغم اینکه، تعدادی الگوریتم هوش مصنوعی برای خواندن خودکار CT اسکن COVID-19 ساخته شده است، اما به گفته محققان ، ارزش عملی آنها قابل بحث است. در نتیجه، محققان تلاش کردند یک الگوریتم هوش مصنوعی را که به طور خودکار CT اسکن قفسه سینه بیماران مشکوک به COVID-19 را بر اساس سیستم های CO-RADS و CTSS ارزیابی می کند، آموزش و تأیید کنند. آنها CORADS-AI را با استفاده از داده های بدست آمده از CT قفسه سینه ۴۷۶ بیمار که ابتلای آنها به بیماری خفیف یا شدید COVID-19 در یک بیمارستان هلندی تائید شده بود، توسعه دادند.
در این تحقیق آزمایش داخلی برای تایید الگوریتم هوش مصنوعی به صورت جداگانه بر روی ۱۰ بیماری که اسکن قفسه سینه آنها توسط رادیولوژیست ها بررسی شده، انجام گرفت. علاوه بر این محققین این آزمایش را بر روی ۲۶۲ بیمار یک بیمارستان در هلند تکرار کردند. این آزمایش نشان داد که نتایج حاصل از الگوریتم هوش مصنوعی در هفت مورد از هر هشت مورد کاملا با نظر رادیولوژیست ها تطابق کامل داشته است. محققان با توجه به این آزمایش نیز به این نتیجه رسیدند که الگوریتم هوش مصنوعی در تشخیص بیماری COVID-19 کاملا قابل تعمیم و استفاده است.