Названа лучшая диагностика коронавирусной инфекции. Какое обследование просить?

Недавно ученые из Кореи разработали компьютеризированную структуру, которая может быстро и точно интерпретировать результаты компьютерной томографии грудной клетки, чтобы за считанные минуты поставить диагноз COVID-19. Фото: Pixabay.com

Текущий золотой стандарт диагностики COVID-19 – это мазок из носа с последующей полимеразной цепной реакцией с обратной транскрипцией. Но такие тесты отнимают много времени и требуют нескольких дней, прежде чем будут получены результаты. Это напрасная трата времени на лечение и профилактику заболевания. Недавно ученые из Кореи разработали компьютеризированную структуру, которая может быстро и точно интерпретировать результаты компьютерной томографии грудной клетки, чтобы за считанные минуты поставить диагноз COVID-19, что потенциально может изменить наши методы борьбы с этим заболеванием.

Менее чем за 18 месяцев новый коронавирус (SARS-CoV-2) заразил более 18 миллионов человек и стал причиной более 690 000 смертей. Текущий стандарт диагностики с помощью полимеразной цепной реакции с обратной транскрипцией ограничен из-за ее низкой чувствительности, высокого уровня ложноположительных результатов и длительного времени тестирования. Это затрудняет быстрое выявление инфицированных пациентов и предоставление им лечения. Кроме того, существует риск того, что пациенты все равно будут распространять болезнь, ожидая результатов своего диагностического теста, пишет medicalxpress.com.

КТ грудной клетки превратилась в быстрый и эффективный способ диагностики заболевания, но для интерпретации требуется опыт радиолога, а иногда сканирование похоже на другие виды легочных инфекций, например, бактериальную пневмонию. Теперь в новой статье « Анализ медицинских изображений », подготовленной группой ученых, в том числе из Института науки Тэгу Кёнбук (DGIST), Южная Корея, подробно описан метод автоматизированной и точной интерпретации компьютерной томографии грудной клетки. «Как ученые, которые в равной степени пострадали от пандемии COVID, мы стремились использовать наш опыт в области анализа медицинских изображений, чтобы ускорить диагностику и улучшить клинические рабочие процессы», – говорят проф. Сан Хён Пак и Филип Чиконтве из DGIST, которые возглавляли исследование. .

Чтобы создать свою диагностическую структуру, исследовательская группа использовала метод машинного обучения под названием «Множественное обучение» (MIL). В MIL алгоритм машинного обучения «обучается» с использованием наборов или «пакетов» из нескольких примеров, называемых «экземплярами». Затем алгоритм MIL использует эти пакеты, чтобы научиться маркировать отдельные примеры или входные данные. Исследовательская группа обучила свою новую систему, называемую MIL на основе контрастирования двойного внимания (DA-CMIL), чтобы различать COVID и бактериальную пневмонию, и обнаружила, что ее эффективность не уступает другим современным автоматизированным методам анализа изображений. Более того, алгоритм DA-CMIL может использовать ограниченную или неполную информацию для эффективного обучения своей системы искусственного интеллекта.

«Наше исследование можно рассматривать как с технической, так и с клинической точки зрения. Во-первых, представленные здесь алгоритмы могут быть расширены до аналогичных настроек с другими типами медицинских изображений. Во-вторых,« двойное внимание », особенно« пространственное внимание », используемое в модель улучшает интерпретируемость алгоритма , что поможет клиницистам понять, как автоматизированные решения принимают решения», – объясняют проф. Парк и г-н Чиконтве.

Это исследование выходит далеко за рамки пандемии COVID и закладывает основу для разработки более надежных и дешевых диагностических систем, которые принесут особую пользу слаборазвитым странам или странам с ограниченными медицинскими и человеческими ресурсами.