Σε λίγο παραπάνω από 18 μήνες, ο Sars-CoV-2 έχει μολύνει πάνω από 18 εκατ. άτομα και έχει προκαλέσει πάνω από 690 χιλιάδες θανάτους. Η τωρινή μέθοδος διάγνωσης κρουσμάτων με μοριακά ή rapid test είναι περιορισμένή λόγω της χαμηλής ευαισθησίας, του υψηλού ποσοστού ψευδώς θετικών και των μεγάλων χρόνων για την έκδοση του αποτελέσματος. Αυτό καθιστά δύσκολη την γρήγορη εύρεση μολυσμένων ασθενών και την παροχή θεραπείας. Επιπλέον, υπάρχει ο κίνδυνος μετάδοσης της ασθένειας από τους ασθενείς ενώ περιμένουν τα αποτελέσματά των τεστ τους.
Οι αξονικές τομογραφίες θώρακος έχουν προκύψει ως ένας γρήγορος και αποτελεσματικός τρόπος για τη διάγνωση της ασθένειας. Ωστόσο, απαιτούν έναν ειδικό ραδιολόγο για να ερμηνεύσει τα αποτελέσματα και καμιά φορά τα αποτελέσματα από τις ακτινογραφίες μοιάζουν πολύ με άλλες μολύνσεις των πνευμόνων. Τώρα, μία νέα μελέτη που δημοσιεύτηκε από μία ομάδα επιστημόνων στο Medical Imaging Science, περιγράφει μία τεχνική για αυτόματες και ακριβείς ερμηνείς αξονικών τομογραφιών θώρακος.
Για να οικοδομήσουν το διαγνωστικό τους πλαίσιο, η ερευνητική ομάδα χρησιμοποίησε μια τεχνική μηχανικής μάθησης που ονομάζεται "Multiple Instance Learning" (MIL). Στο MIL, ο αλγόριθμος μηχανικής μάθησης "εκπαιδεύεται" χρησιμοποιώντας σύνολα ή "τσάντες" πολλαπλών παραδειγμάτων που ονομάζονται "στιγμιότυπα". Στη συνέχεια, ο αλγόριθμος MIL χρησιμοποιεί αυτές τις τσάντες για να μάθει να επισημαίνει μεμονωμένα παραδείγματα ή εισόδους. Η ερευνητική ομάδα εκπαίδευσε το νέο της πλαίσιο, που ονομάζεται MIL με βάση την αντίθεση διπλής προσοχής (DA-CMIL), για να διαφοροποιήσει μεταξύ της COVID και της βακτηριακής πνευμονίας και διαπίστωσε ότι η απόδοσή του ήταν εφάμιλλη με άλλες αυτοματοποιημένες μεθόδους ανάλυσης εικόνας τελευταίας τεχνολογίας. Επιπλέον, ο αλγόριθμος DA-CMIL μπορεί να αξιοποιήσει περιορισμένες ή ελλιπείς πληροφορίες για την αποτελεσματική εκπαίδευση του συστήματος AI.
«Η μελέτη μας μπορεί να εξεταστεί τόσο από τεχνική όσο και από κλινική άποψη. Πρώτον, οι αλγόριθμοι που εισάγονται εδώ μπορούν να επεκταθούν σε παρόμοιες ρυθμίσεις με άλλους τύπους ιατρικών εικόνων. Δεύτερον, η "διπλή προσοχή", ιδιαίτερα η "χωρική προσοχή", που χρησιμοποιείται το μοντέλο βελτιώνει την ερμηνευσιμότητα του αλγορίθμου, κάτι που θα βοηθήσει τους κλινικούς γιατρούς να κατανοήσουν πώς οι αυτοματοποιημένες λύσεις παίρνουν αποφάσεις», εξηγούν οι Καθ. Παρκ και ο κ. Chikontwe.
Αυτή η έρευνα εκτείνεται πολύ πέρα από την πανδημία του COVID, θέτοντας τα θεμέλια για την ανάπτυξη πιο ισχυρών και φθηνών διαγνωστικών συστημάτων, τα οποία θα είναι ιδιαίτερα ωφέλιμα για τις υπανάπτυκτες χώρες ή χώρες με κατά τα άλλα περιορισμένους ιατρικούς και ανθρώπινους πόρους.
ΠΗΓΗ: digitalhealthnews