Η μελέτη, που δημοσιεύθηκε πρόσφατα στο Nature Communications, δείχνει ότι η νέα τεχνική μπορεί επίσης να ξεπεράσει ορισμένες από τις προκλήσεις των τρεχουσών δοκιμών.
Οι ερευνητές απέδειξαν ότι ένας αλγόριθμος τεχνητής νοημοσύνης θα μπορούσε να εκπαιδευτεί για να ταξινομήσει την ασθένεια COVID-19 σε αξονική τομογραφία (CT) σαρώνoντας με ακρίβεια έως και 90 τοις εκατό, καθώς και να εντοπίσει σωστά θετικές περιπτώσεις με ποσοστό επιτυχίας 84% και αρνητικές περιπτώσεις με 93%.
Η Αξονική τομογραφία προσφέρει μια βαθύτερη εικόνα για τη διάγνωση της COVID-19 και εξέλιξη σε σύγκριση με την συχνά χρησιμοποιούμενη αντίστροφη μεταγραφή-πολυμεράση αλυσιδωτή αντίδραση, ή RT-PCR, δοκιμή. Οι δοκιμές αυτές έχουν υψηλά ψευδώς αρνητικά ποσοστά, καθυστερήσεις στην επεξεργασία και άλλες προκλήσεις.
Ένα άλλο όφελος για την αξονική τομογραφία είναι ότι μπορούν να ανιχνεύσει την COVID-19 σε άτομα χωρίς συμπτώματα, σε εκείνους που έχουν πρώιμα συμπτώματα, κατά τη διάρκεια της κορύφωσης της της νόσου και μετά το πέρας των συμπτωμάτων.
Ωστόσο,δεν συνιστάται πάντα ως διαγνωστικό εργαλείο για COVID-19, επειδή η ασθένεια φαίνεται συχνά παρόμοια με τη γρίπη που σχετίζονται με πνευμονία στις σαρώσεις.
Ο νέος αλγόριθμος UCF που αναπτύχθηκε από κοινού μπορεί να ξεπεράσει αυτό το πρόβλημα εντοπίζοντας με ακρίβεια τις περιπτώσεις COVID-19, καθώς και με τη διάκρισή τους από τη γρίπη, λειτουργώντας έτσι ως μια μεγάλη πιθανή βοήθεια για τους γιατρούς, λέει ο Ulas Bagci, επίκουρος καθηγητής στο Τμήμα Πληροφορικής του UCF.
Η αποτελεσματική διάγνωση μέσω της τεχνητής νοημοσύνης
Ο Μπάγκσι ήταν συν-συγγραφέας της μελέτης και βοήθησε στην ηγεσία της έρευνας.
"Αποδείξαμε ότι μια βαθιά μαθησιακή προσέγγιση τεχνητής νοημοσύνης μπορεί να χρησιμεύσει ως ένα τυποποιημένο και αντικειμενικό εργαλείο για να βοηθήσει τα συστήματα υγειονομικής περίθαλψης καθώς και τους ασθενείς", λέει ο Μπάγκτσι. "Μπορεί να χρησιμοποιηθεί ως συμπληρωματικό εργαλείο δοκιμών σε πολύ συγκεκριμένους περιορισμένους πληθυσμούς, και μπορεί να χρησιμοποιηθεί γρήγορα και σε μεγάλη κλίμακα στην ατυχή περίπτωση μιας υποτροπιάζουσας εστίας."
Για την εκτέλεση της μελέτης, οι ερευνητές εκπαίδευσαν έναν αλγόριθμο σε υπολογιστή για να αναγνωρίζει τη COVID-19 σε αξονικές τομογραφίες πνευμόνων 1.280 πολυεθνικών ασθενών από την Κίνα, την Ιαπωνία και την Ιταλία.
Στη συνέχεια εξέτασαν τον αλγόριθμο σε αξονικές τομογραφίες 1.337 ασθενών με πνευμονοπάθειες που κυμαίνονται από COVID-19 έως καρκίνο και πνευμονία μη COVID.
Όταν συνέκριναν τις διαγνώσεις του υπολογιστή με αυτές που επιβεβαιώθηκαν από τους γιατρούς, διαπίστωσαν ότι ο αλγόριθμος ήταν εξαιρετικά ικανός στη διάγνωση με ακρίβεια της παρουσίας COVID-19 στους πνεύμονες και στη διάκρισή της από άλλες ασθένειες, ειδικά κατά την εξέταση αξονικών τομογραφιών στα πρώτα στάδια της εξέλιξης της νόσου.
«Δείξαμε ότι τα ισχυρά πρότυπα τεχνητής νοημοσύνης μπορούν να επιτύχουν μέχρι και ακρίβεια 90 τοις εκατό σε ανεξάρτητα τεστ πληθυσμού, να διατηρήσουν την υψηλή εξειδίκευση στις μη-COVID-19 ασθενείες σχετικές με πνευμονία, και να επιδείξουν την ικανοποιητική generalizability στους αόρατους πληθυσμούς και τα κέντρα ασθενών,» είπε ο Μπάγκσι.
