Role a výzva umělé inteligence v nové CT diagnóze koronavirové pneumonie

Pro více informací:ali.ma@wecistanche.com

Zvýraznění

Tento článek nově uvažuje o vědeckosti a normativitě založené na metodologických požadavcích klinického hodnocení tím, že proces vývoje softwaru umělé inteligence (AI) považuje za klinické studie diagnostického výzkumu pomocí počítačové tomografie (CT). Dokument také uvádí 4 způsoby, jak propagovat diagnostický software AI, který pomáhá při skutečných klinických problémech a přináší pacientům skutečné klinické výhody.

Klikněte pro cistanche vedlejší účinky a Cistanche pro imunitu

Abstraktní

Na začátku roku 2020 nový koronavirový zápal plic(COVID-19)vypukla v Číně. V oblasti umělé inteligence (AI), která sehrála důležitou roli v boji proti pandemii, se rychle objevilo mnoho produktů souvisejících s medicínou. Tento článek shrnuje současný stav výzkumu a aplikace AI v radiologii a kontrole pandemie a analyzuje běžné problémy technologie AI ve výzkumuCOVID-19diagnóza. Zahrnuje především úvahy o návrhu klinických studií, potíže s implementací výzkumu a výzvy při ověřování spolehlivosti modelů umělé inteligence. V reakci na výše uvedené obtíže jsou navrženy návrhy na optimalizaci vědeckosti a kvality diagnostického výzkumu AI.

klíčová slova:COVID-19pandemie, Umělá inteligence, Počítačová tomografie, Klinický výzkum

Důležitá role diverzifikovaných produktů umělé inteligence v boji proti epidemii

Na začátku roku 2020 vypuknutízápal plic způsobený novým koronavirem(Koronavirus, COVID-19) postavili zavádění prevence a kontroly nemocí do velké výzvy. Například jak rychle každému změřit tělesnou teplotu v dopravním uzlu s velkým provozem; jak rychle vyřadit potenciální účinné léky mezi masivními možnostmi; jak prověřovat podezřelé případy u velké populace; jak se vypořádat s nedostatkem zdravotníků a zkříženou infekcí při léčbě diagnostikovaných pacientů. Umělá inteligence (Al, jako jedna z nejpopulárnějších oblastí posledních let, řeší některé problémy prostřednictvím aplikace nových produktů umělé inteligence, které zlepšují účinnost prevence, kontroly a diagnostiky nemocí.

Umělá inteligence pomáhá monitorovat a simulovat trend vývoje epidemie tím, že analyzuje stopy aktivity lidí, aby včas varovala potenciální oblasti šíření. AI může také analyzovat cesty šíření, lokalizovat blízké kontakty diagnostických pacientů a rychle přijmout karanténu a léčbu. Infračervená termokamera s technologií rozpoznávání obrazu AI provádí detekci horečky na veřejných místech, aby lokalizovala osoby s abnormální tělesnou teplotou[1]. Při vývoji nových léků pomáhá AI prověřovat nejúčinnější antivirové a protizánětlivé léky ze stovek léků pro další vývoj [2]. Při diagnostice a léčbě byl přijat model hluboké neuronové sítě (DNN), který rozpoznává grafická data z počítačové tomografie (CT plus AI), která lékařům pomáhá rychle stanovit diagnózy.

Výzvy, kterým čelí „CT plus AI“ při asistování při diagnostice COVID-19

Zvláštní pozornost přitáhla aplikace umělé inteligence v radiologii. DNN se široce používá v různých lékařských skenovacích technologiích, například při diagnostice pneumonie na digitální radiografii hrudníku (DR)[3-5], detekci rakovinných plicních uzlů [6] a tuberkulóze [7], detekci zlomenin, a predikce kostního věku pomocí rentgenu [8-10].vyšetření a vyhodnocení rentgenových snímků prsu [11,12]; detekce a diagnostika plicních uzlů [13,14], pneumonie [15], jaterních mas [16], karcinomu pankreatu[17] a kompresních zlomenin obratlů [18] na CT snímcích; nastiňuje komoru v srdeční magnetické rezonanci [19]. Při ultrazvukovém vyšetření může model AI provádět diagnostiku a kvantitativní analýzu srdečního zobrazování [20.21]. stejně jako detekce ultrazvukových uzlů štítné žlázy a diagnostika benigních a maligních [22,23] (tab. 1).

V diagnostice nové koronavirové pneumonie se běžně používají zobrazovací vyšetřovací techniky CT, DR a ultrazvuk v příslušných procesech a scénářích podle jejich vlastních charakteristik. Mezi nimi je prioritou CT v časné fázi detekce lézí. Od vydání „Programu diagnostiky a léčby COVID{0}} pneumonie (zkušební verze 5) je diagnostika pomocí CT zobrazování také zahrnuta do standardů klinické diagnostiky nového COVID-19 [24]. Diagnóza jednoho pacienta však vyžaduje manuální pozorování více než sta CT snímků. Při velkém počtu klinických potřeb trpí lékaři velkou pracovní zátěží s nízkou efektivitou. Tato klinická úzká místa může vyřešit softwarová technologie umělé inteligence. CT inspekce se stala preferovaným zobrazovacím řešením pro současný software AI pro diagnostiku pneumonie díky vysoké přesnosti, jednotným standardům a hluboké akumulaci průmyslových dat a technologií [27. V praktických aplikacích mohou diagnostické modely identifikovat obraz zápalu plic pomocí specifického algoritmu k předpovědi, zda je nemocný [27-29]. Model plicní kvantitativní analýzy dokáže detekovat umístění léze, spočítat počet lézí, nastínit rozsah léze, vypočítat míru infekce v oblasti plicní léze a spolupracovat s následným softwarem při řízení progrese onemocnění a posouzení. prognóza [28]. S pomocí softwaru se snižuje pracovní zátěž lékařů a zlepšuje se rychlost a přesnost diagnostiky a léčby, je však důležité zdůraznit některé běžné problémy ve výzkumu CT diagnostiky nové koronavirové pneumonie za pomoci Al, a to následovně:

Studovat design

V nové diagnostice CT pneumonie COVID{0}} by měl být návrh modelu zvažován různě, aby se přizpůsobily různé fáze diagnostiky a léčby v nejzačáteční fázi vývoje diagnostického modelu „CT plus AI“. Například kontrolní skupina použitá pro trénování modelu časného screeningu by měla být odlišena od skupiny zvolené v antidiastole: 1) Rozhodnutí v problému časného screeningu preferují vysokou citlivost před oddělením podezřelých případů od zdravé populace, proto vzorky kontrolních případů vyškolené modelem AI by měly být CT snímky zdravých plic proti snímkům nezdravých plic. Případy nezdravých plic se skládají z více typů podezřelých pneumonií, aby bylo zajištěno provedení modelu nízkého počtu zmeškaných diagnóz. 2) V antidiastolickém scénáři je schopnost vysoké specifity nezbytná k odlišení nové koronavirové pneumonie od pneumonie způsobených jinými infekcemi. Přesněji řečeno, vzhledem ke skutečným klinickým okolnostem by ideální návrh kontroly měl porovnávat dvě skupiny s podobnými klinickými příznaky nebo epidemiologickou anamnézou, jako je horečka, kašel, abnormality plicního CT, ale negativní a pozitivní výsledky v testu na nukleové kyseliny (nebo jiné diagnostické zlaté standardy). . Takový design byl zamýšlen ke konsolidaci výraznějších radiomických rysů nové koronavirové pneumonie. Kromě toho je třeba pečlivě zvážit metriku hodnocení zvolenou pro posouzení výkonnosti modelu. Například při vyhodnocování diagnostického modelu „CT plus AI“ není poměr přesnosti správným ukazatelem, který může model plně posoudit. Nerovnováha mezi pozitivními a negativními vzorky testovacích dat by vedla k problému nadhodnocení výkonu (např. testovací sada skládající se z 96 pozitivních a 4 negativních případů by mohla nalákat naivní model s vysokou přesností až 96 procent, i když model pouze AI diagnostický software se používá v konkrétním klinickém problému pro lepší schopnosti a efektivitu. Před implementací je třeba vyjasnit cíle studie a objasnit konkrétní klinické problémy. Poté by měl být proveden návrh metodiky vědeckým způsobem. Rovněž by měl být formulován úplný plán výzkumu. Měly by být plně zváženy předměty studie, pravidlo inkluzivního-exkluzivního a metriky hodnocení koncového bodu. Díky vědeckému designu lze minimalizovat riziko zkreslení, lze získat vysoce kvalitní výzkumné důkazy a poskytnout spolehlivé pokyny pro klinické použití.

Realizace výzkumu

Tréninkový proces modelu umělé inteligence DNN je čistě datově řízený. Spoléhá na velké množství přesně označených obrazových vzorků během tréninkové fáze. Čím větší je množství dat, tím lepší je diskriminační výkon modelu. Diagnostický systém diabetické retinopatie jako zdravotnické zařízení AI vyvinutý americkým technologickým gigantem Google prošel druhou fází klinických zkoušek. Tréninkový proces systému využívá 130 milionů snímků 10,000 případů, což se blíží úrovni lékařských expertů [30]. Naproti tomu, ačkoli určené lékařské jednotky nashromáždily nová obrazová data z CT koronaviru ve spolupráci s výrobci technologií pro školení a vývoj softwaru v epidemii, celkové množství je relativně malé a distribuce je poměrně rozptýlená, plus vzácné zdroje odborníků na CT snímky. označování v počáteční fázi, což má za následek pouze malý soubor dat, který je k dispozici pro modelové školení a je obtížné zaručit kvalitu označování. Nedostatečná trénovací data mohou způsobit, že si model DNN „pamatuje“ informace v CT obrazech, které nejsou relevantní pro skutečnou diagnózu kvůli svým strukturálním rysům se silnou vyjadřovací schopností, což způsobuje nadměrné přizpůsobení a snižuje schopnost posuzovat budoucí data. Pro dosažení dostatečného tréninkového efektu za podmínky menšího objemu dat je často nutné navrhnout složitější strukturu interního modelu a modelovat tréninkové dovednosti, což také zvyšuje náročnost implementace.

Úvaha o nové výjimečnosti COVID-19

Na základě klinických zkušeností má CT obraz hrudníku nové koronavirové pneumonie vlastnosti „podobného obrazu, ale odlišného onemocnění“. Lidskýma očima je obtížné rozlišit, což zvyšuje obtížnost antidiastoly. Obtížnost je výraznější, pokud je velikost tréninkového vzorku malá. Kromě toho, jako jedno z diagnostických kritérií nového COVID-19, výsledky soupravy nukleových kyselin vykazují vysokou specificitu, ale nízkou citlivost. Pokud se používá pro označování tréninkových vzorků jako zlatý standard, skutečné pozitivní vzorky by měly tendenci být označeny jako negativní nesprávně. Trénink s chybně označenými daty přímo sníží výkon modelu.

Ověření spolehlivosti diagnostiky AI

Po implementaci diagnostického modelu AI není spolehlivé vyhodnotit efekt diagnózy pouze interním testem dat. Zmatek pod daty způsobený různými modely CT zařízení, geografickými oblastmi, skutečným klinickým prostředím, variacemi virů a dalšími faktory by mohl ovlivnit diagnostický výsledek modelu. Model je stěží schopen vypořádat se s těmito matoucími faktory s omezenými interními datovými testy. Když je diagnostický software umělé inteligence uveden do klinického použití bez úplného ověření, lze jej opakovat pouze prostřednictvím offline školení a optimalizace, protože nemůže zlepšit úroveň diagnózy a léčby tím, že se bude nadále učit nové případy jako lidští lékaři. Ve srovnání s chybnou diagnózou lidského lékaře budou potenciální iatrogenní rizika způsobená omezeními počítačového softwaru výraznější. Podle nové verze „Katalogu klasifikace lékařských zařízení“ (CFDA 2017 č.143) by diagnostický software AI jako zdravotnický prostředek měl pokračovat v systematickém auditu a rozsáhlé simulaci, a to i prospektivních klinických studiích, aby se plně ověřila přesnost a spolehlivost klinické diagnózy. Skupina umělé inteligence Národního ústavu pro kontrolu potravin a léčiv (NIFDC) zavedla systém zabezpečení zdravotnických prostředků umělé inteligence a stanovila zkušební metodu založenou na standardním ověřování datových souborů [30]. V současné době neexistuje žádná standardní databáze pro novou entitu onemocnění COVID-19, takže je obtížné ověřit vysokou přesnost opakovatelnosti stávajícího softwaru umělé inteligence u většiny diagnóz lékařských skenů v reálném světě.

Zlepšit kvalitu a vědeckou standardizaci diagnostického modelu „CT plus AI“.

Aplikace umělé inteligence v lékařském průmyslu je v Číně stále v rané fázi, zatímco v posledních letech se jí dostalo velké pozornosti a rychlého rozvoje, který byl dokonce zahrnut do národního strategického plánu [30]. Mnoho produktů umělé inteligence ukázalo slibné vyhlídky v oblasti medicíny. V další fázi, pokud jde o komercializaci, by se průmysl zaměřil na vědecký výzkum designu a standardizoval proces implementace a ověřování; zdravě vyvíjet umělou inteligenci v lékařském průmyslu, standardizovat správu diagnostických produktů s podporou Al podle specifikace New Medical Apparatus. Ačkoli mnoho produktů umělé inteligence, které se objevily během epidemie, přineslo lékařům pohodlí při diagnostice a léčbě onemocnění, celková vědecká přísnost a spolehlivost kvality stále potřebují další zlepšení a dokonalost.

Zlepšit design studie technologie AI v klinických problémech

V současné době většina výzkumů nové diagnostiky COVID-19 pomocí CT využívá retrospektivní metody kontroly případů. Jednou z výhod je rychlé získání různých informací od omezených výzkumných subjektů, přičemž existuje riziko zkreslení. Vzorky ve studiích případ-kontrola by měly být odebrány z celkového počtu diagnostických případů nebo z nich náhodně vybrány, avšak vzhledem k omezeným zdrojům nemohou vzorky představovat všechny pacienty. Speciální kontrolní odběr vzorků lze použít ke snížení zkreslení a zvýšení úrovně důkazů podle skutečné situace, například výběrem případů ze stejného zdravotnického zařízení, použitím dvou nebo více kontrolních skupin a porovnáváním proměnných. Při hodnocení výkonu diagnostického modelu lze použít graf skutečné pozitivní a falešně pozitivní frekvence (křivka provozní charakteristiky přijímače (křivka ROC)) k porovnání interpretace algoritmu AI s hodnocením lékaře nebo s plochou pod křivkou (AUC). reference výkonu modelu. I tak je stále obtížné plně vysvětlit klinický přínos pouze na základě srovnání nebo indikátorů, ve skutečnosti je pro komplexní hodnocení nutné vzít v úvahu i další faktory klinického rozhodování.

Zlepšení přesnosti označení, rozšíření počtu a dimenze trénovacích vzorků během procesu implementace modelu

V primární fázi již modely trénované malým počtem vzorků CT obrazu ukázaly dobrý trend. Postupem času by více případů zlepšilo lepší základní podporu v modelovém výcviku. Čím více snímků se naučíte, tím vyšší bude potenciál překonat obtížnost „stejné snímky, různé případy“ v diagnóze COVID-19. V reakci na tuto situaci, na základě dat CT obrazu, může model také rozšířit doménu informací kombinací klinických signálů pacienta, epidemiologie, laboratorního vyšetření a dalších dat, aby bylo možné komplexně posoudit onemocnění a zlepšit přesnost diagnózy. Zlepšení přesnosti značení vzorků lze dosáhnout optimalizací strategie zlatého standardu. Aplikujte více intervalů testu nukleové kyseliny, abyste kompenzovali možnost jediného falešně negativního výsledku, nebo křížově ověřte výsledek s odkazem na jiné diagnostické soupravy, jako je detekce protilátek IgM/lgG.

Vytvořte novou databázi standardního testování CT koronavirové pneumonie

Po implementaci a interním ověření AI modelování je vyžadováno externí ověření spolehlivosti prostřednictvím standardního databázového testovacího systému. Pokud jde o zavedený standardní databázový systém onemocnění očního pozadí a plicních uzlů, subjekty onemocnění pocházejí z různých zdravotnických zařízení po celé zemi, včetně zaostalých oblastí. Data obsahují různé specifikace a jsou kompatibilní se zařízeními různých modelů a parametrů. Lékaři, kteří se účastní označování testovacích dat, mají zkušenosti s lékařským výzkumem AI a byli dobře vyškoleni. Speciální výzkumný tým bude tvořen lékaři s vysokou přesností, stabilitou a obohacenými klinickými zkušenostmi. Standardní testovací datový soubor vymaže stopy společnosti a stroje a přísně kontroluje zkreslení dat, aby bylo zajištěno spravedlivé a objektivní hodnocení výkonu v uzavřeném prostředí [30]. Abychom to shrnuli, je obtížné vytvořit novou standardní databázi COVID-19 CT spoléháním se pouze na jednotlivé instituce. Národ by měl poskytnout odpovídající podporu během zvláštního období epidemie. Například rychle založte novou speciální skupinu pro umělou inteligenci COVID{2}}, která bude řídit a koordinovat spolupráci a sdílení zdrojů všech stran v celé zemi, a společně formulovat speciální databázi testů nemocí a další ověřovací standardy.

Standardizujte správu dat lékařského výzkumu umělé inteligence

Dne 3. července 2019 vydalo Centrum pro hodnocení zdravotnických prostředků „Key Points of Deep Learning Assisted Decision-Making Software Medical Device Software Review“ (klíčové body). Poskytuje technické pokyny pro zdravotnické produkty umělé inteligence registrované jako zdravotnické prostředky třetího typu a odstraňuje překážku v politice před uvedením produktu na trh. Neexistují však žádná zákonná omezení etiky a bezpečnosti dat. Umělá inteligence v lékařském výzkumu musí být v souladu s etikou a chránit bezpečnost a soukromí individuálních dat. Pokud mohou být formulovány národní nebo regionální zákony a předpisy na ochranu soukromí pacientů a zároveň může být vytvořena standardizovaná platforma pro správu dat pro výzkum, výzkumný projekt pak může být účinně revidován, aby se rychle odhalila potenciální rizika v procesu návrhu a implementace. Budou zavedeny pokyny pro bezpečnost údajů, aby se zabránilo riziku omezování a ničení lidského zdraví.

Reference:

1 zc [internet]. Jak používat AI k detekci nového koronaviru a boji proti němu [citováno 20. března 2020].

2. Huang Q[Internet]. Tým akademika Li Lanjuana zveřejnil: tyto dva léky mohou účinně inhibovat nový koronavirus [citováno 20. března 2020].

3. Wang XS, Peng YF, Lu L a kol. ChestX-Ray8: Rentgenová databáze hrudníku v nemocničním měřítku a srovnávací testy klasifikace a lokalizace běžných onemocnění hrudníku pod slabým dohledem. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, 2017, str. 3462-3471.

4. Li Z, Wang C, Han M, a kol. Identifikace a lokalizace onemocnění hrudníku s omezeným dohledem. arXiv e-prints, 2017. arXiv:1711.06373.

5. Singh R, Kalra MK, Nitiwarangkul C, a kol. Hluboké učení v rentgenu hrudníku: Detekce nálezů a přítomnosti změn. PLoS One. 2018;13(10):e0204155. Publikováno 4. října 2018.

6. Nam JG, Park S, Hwang EJ a kol. Vývoj a validace automatického detekčního algoritmu pro maligní plicní uzliny na rentgenových snímcích hrudníku založeného na hlubokém učení. Radiologie, 2019.

7. Lakhani P, Sundaram B. Hluboké učení na radiografii hrudníku: Automatická klasifikace plicní tuberkulózy pomocí konvolučních neuronových sítí. Radiologie. 2017;284(2):574–582.

8. Gale W, Oakden-Rayner L, Carneiro G, a kol. Detekce zlomenin kyčle s výkonem na úrovni radiologa pomocí hlubokých neuronových sítí. arXiv e-prints, 2017. arXiv:1711.06504.

9. Rajpurkar P, Irvin J, Bagul A, et al. MURA: Velký soubor dat pro detekci abnormalit v muskuloskeletálních rentgenových snímcích. arXiv e-prints, 2017. arXiv:1712.06957.

10. Ridley EL[Internet]. Hluboké učení je příslibem pro hodnocení kostního věku [citováno 15. listopadu 2017].

11. Yee KM[Internet]. Algoritmus AI odpovídá radiologům při screeningových vyšetřeních prsu [citováno 13. prosince 2017].

12. Lehman CD, Yala A, Schuster T, et al. Mamografické hodnocení hustoty prsu pomocí hlubokého učení: klinická implementace. Radiologie, 2019. 290(1): str. 52-58.

13. Ridley EL. Algoritmus hlubokého učení může stratifikovat riziko plicních uzlin [citováno 26. listopadu 2017].

14. Ali I, Hart GR, Gunabushanam G, et al. Detekce plicních uzlin pomocí hlubokého učení. Přední Oncol. 2018;8:108. Publikováno 2018 duben 16. doi:10.3389/fonc.2018.00108.

15. Walsh SLF, Calandriello L, Silva M, et al. Hluboké učení pro klasifikaci fibrotického onemocnění plic na počítačové tomografii s vysokým rozlišením: případová kohortová studie. Lancet Respir Med. 2018;6(11):837–845.

16. Yasaka K, Akai H, Abe O, a kol. Hluboké učení s konvoluční neuronovou sítí pro diferenciaci jaterních hmot na CT s dynamickým kontrastem: Předběžná studie. Radiologie. 2018;286(3):887–896.

17. Liu FZ, Xie LX, Xia YD a kol. Společné znázornění tvaru a klasifikace pro detekci PDAC. arXiv e-prints, 2018. arXiv:1804.10684.

18. Bar A, Wolf L, Amitai OB, et al. Detekce kompresních zlomenin na CT. arXiv e-prints, 2017. arXiv:1706.01671.

19. Lieman-Sifry J, Le M, Lau F a kol. FastVentricle: Segmentace srdce pomocí ENet. arXiv e-prints, 2017. arXiv:1704.04296.

20. Madani A, Arnaout R, Mofrad M, et al. Rychlá a přesná klasifikace zobrazení echokardiogramů pomocí hlubokého učení. npj Digital Med 1, 6 (2018).

21. Zhang J, Gajjala S, Agrawal P, et al. Plně automatizovaná interpretace echokardiogramu v klinické praxi. Náklad, 2018. 138(16): Str. 1623-1635.

22. Li XC, Zhang S, Zhang Q a kol. Diagnostika karcinomu štítné žlázy pomocí modelů hluboké konvoluční neuronové sítě aplikovaných na sonografické snímky: retrospektivní, multikohortní, diagnostická studie. Lancet Oncol. 2019;20(2):193–201. doi:10.1016/S1470-2045(18)30762-9.

23. Li HL, Weng J, Shi YJ a kol. Vylepšený přístup hlubokého učení pro detekci papilárního karcinomu štítné žlázy v ultrazvukových snímcích. Sci Rep. 2018;8(1):6600. Publikováno 26. dubna 2018.

24. Úřad národní zdravotní komise [Internet]. Diagnostika a léčba nové koronavirové pneumonie (zkušební verze pátá) [citováno 4. února 2020].

25. Alibaba DAMO Academy [Internet]. Co si myslíte o nové diagnostické technologii umělé inteligence pro zobrazování koronavirové pneumonie vyvinutou Ali Damo Academy s průměrnou mírou rozpoznání 96 procent za méně než 20 sekund? [ 2020-02-19].

26. Spojené zobrazování. Dobývání „epidemického“ průlomu – nový systém inteligentního asistenta pro analýzu koronavirové pneumonie uAI oficiálně spuštěn [citováno 10. února 2020]

27. Gozes O, Frid-Adar M, Greenspan H a kol. Cyklus rychlého vývoje umělé inteligence pro pandemii koronaviru (COVID-19): Počáteční výsledky pro automatizovanou detekci a monitorování pacientů pomocí analýzy CT obrazu Deep Learning. ArXiv abs/2003.05037 (2020): n. pag.

28. Huang L, Han R, Ai T, a kol. Sériové kvantitativní CT vyšetření hrudníku COVID-19: Hluboký přístup. Radiologie: kardiotorakální zobrazování 2020 2:2.

29. Li L, Qin LX, Xu ZG a kol. Umělá inteligence odlišuje COVID-19 od komunitně získané pneumonie na CT hrudníku. Radiologie. 2020;200905.

30. Jin YH, Qiu M J. Čínská lékařská bílá kniha o umělé inteligenci. Shanghai: Shanghai Jiao Tong University Artificial Intelligence Institute, 2019. (čínština)