Ролята и предизвикателството на изкуствения интелект при КТ диагностика на нова коронавирусна пневмония

За повече информация:ali.ma@wecistanche.com

Акценти

Тази статия разглежда по новаторски начин научността и нормативността въз основа на изискванията на методологията на клинично изпитване, като разглежда процеса на разработване на софтуер с изкуствен интелект (AI) като клинични изпитвания за диагностично изследване на изображения с компютърна томография (CT). Документът също повдига 4 начина за популяризиране на AI диагностичен софтуер, който помага при действителни клинични проблеми и носи на пациентите реални клинични ползи.

Щракнете за Cistanche странични ефекти и Cistanche за имунитет

Резюме

В началото на 2020 г. новата коронавирусна пневмония(COVID-19)избухна в Китай. Много продукти, свързани с медицината, бързо се появиха в областта на изкуствения интелект (AI), който изигра важна роля в борбата срещу пандемията. Тази статия обобщава текущото състояние на изследванията и приложението на AI в радиологията и контрола на пандемии и анализира често срещаните проблеми на AI технологията в изследванията наCOVID-19диагноза. Включва главно мисли относно дизайна на клиничните проучвания, трудностите при прилагането на изследванията и предизвикателствата при проверката на надеждността на моделите на AI. В отговор на горните трудности се предлагат предложения за оптимизиране на научността и качеството на диагностичните изследвания на ИИ.

Ключови думи:COVID-19пандемия, Изкуствен интелект, Компютърна томография, Клинични изследвания

Важната роля на разнообразните продукти с изкуствен интелект в борбата с епидемията

В началото на 2020 г. избухването нанов коронавирус пневмония(Коронавирус, COVID-19) постави прилагането на превенцията и контрола на заболяванията в голямо предизвикателство. Например, как бързо да измерите телесната температура на всеки в транспортен възел с голям трафик; как бързо да се отсеят потенциално ефективни лекарства сред огромните възможности; как да се скринират съмнителни случаи сред голяма популация; как да се справим с недостига на медицински специалисти и кръстосаните инфекции при лечението на диагностицирани пациенти. Изкуственият интелект (Al, като една от най-популярните области през последните години, разрешава някои от проблемите чрез прилагането на нови AI продукти, което подобрява ефективността на превенцията, контрола и диагностиката на заболяванията.

AI помага за наблюдение и симулиране на тенденцията за развитие на епидемията, като анализира следите от активността на хората, за да даде ранно предупреждение за потенциалните райони на разпространение. AI може също така да анализира пътищата на разпространение, да локализира близките контакти на диагностичните пациенти и бързо да предприеме карантина и лечение. Инфрачервената термовизионна камера с технология за разпознаване на изображения с изкуствен интелект извършва откриване на треска на обществени места, за да локализира хора с необичайна телесна температура[1]. При разработването на нови лекарства AI помага да се скринират най-мощните антивирусни и противовъзпалителни лекарства от стотици лекарства за по-нататъшно развитие [2]. При диагностиката и лечението беше приет моделът на дълбока невронна мрежа (DNN) за разпознаване на графични данни от компютърна томография (CT) („CT плюс AI), за да помогне на лекарите бързо да поставят диагнози.

Предизвикателства, пред които е изправен „CT плюс AI“ при подпомагане на диагностиката на COVID-19

Приложението на изкуствения интелект в радиологията привлече специално внимание. DNN се използва широко в различни медицински технологии за сканиране, например диагностика на пневмония при дигитална рентгенография на гръдния кош (DR) [3-5], откриване на ракови белодробни възли [6] и туберкулоза [7], откриване на фрактури, и прогнозиране на костната възраст чрез рентгенови лъчи [8-10]. преглед и оценка на рентгенови лъчи на гърдата [11,12]; откриване и диагностика на белодробни възли [13,14], пневмония [15], образувания в черния дроб [16], рак на панкреаса [17] и вертебрални компресионни фрактури [18] върху КТ изображения; очертава вентрикула в ядрено-магнитен резонанс на сърцето [19]. Ултразвукова инспекция, моделът AI може да извърши диагностика и количествен анализ на сърдечно изображение [20.21]. както и откриване на ултразвукови тиреоидни възли и диагностика на доброкачествени и злокачествени [22,23] (Таблица 1).

При диагностицирането на нова коронавирусна пневмония CT, DR и ултразвук са често използвани техники за образно изследване, в съответните процеси и сценарии според техните собствени характеристики. При тях КТ е приоритет в ранния стадий на откриване на лезии. Откакто е пусната „Програмата за диагностика и лечение на пневмония на COVID-19 (Пробна версия 5)“, образната диагностика с компютърна томография също е включена в стандартите за клинична диагностика на новия COVID-19 [24]. Диагнозата на един пациент обаче изисква ръчно наблюдение на повече от сто КТ изображения. С голям брой клинични нужди лекарите страдат от голямо натоварване с ниска ефективност. Софтуерно активираната AI технология може да разреши тези клинични затруднения. CT инспекцията се превърна в предпочитаното решение за изображения за настоящия софтуер за диагностика на пневмония с изкуствен интелект поради високата си точност, унифицирани стандарти и дълбоко натрупване на индустриални данни и технологии [27. В практически приложения диагностичните модели могат да идентифицират изображението на пневмония чрез специфичен алгоритъм, за да предскажат дали е болно [27-29]. Моделът за количествен анализ на белите дробове може да открие местоположението на лезията, да преброи броя на лезиите, да очертае обхвата на лезията, да изчисли степента на инфекция в областта на белодробната лезия и да си сътрудничи с проследяващия софтуер за управление на прогресията на заболяването и оценка прогноза [28]. Подпомогнато от софтуера, натоварването на лекарите се намалява и скоростта и точността на диагностицирането и лечението се подобряват, но е важно да се подчертаят някои често срещани проблеми при изследването на КТ диагностика на нова коронавирусна пневмония, подпомагана от Al, както следва:

Уча дизайн

При новата КТ диагностика на пневмония COVID-19 дизайнът на модела трябва да се разглежда разнообразно, за да се адаптират различни фази на диагностика и лечение в най-началния етап от разработването на диагностичния модел „CT плюс AI“. Например, контролната група, използвана за обучение на модела за ранен скрининг, трябва да се диференцира от групата, избрана в антидиастола: 1) Решенията в проблема с ранния скрининг предпочитат висока чувствителност, за да отделят съмнителните случаи от здравата популация, следователно пробите от контролните случаи, обучени от AI моделът трябва да бъде CT изображения на здрави бели дробове срещу изображения на нездрави бели дробове. Случаите на нездравословни бели дробове са съставени от множество подозрителни типове пневмония, за да се гарантира представянето на модела на нисък процент на пропусната диагноза. 2) В сценария на антидиастола способността за висока специфичност е от съществено значение за разграничаване на новата коронавирусна пневмония от тази пневмония, причинена от други инфекции. По-конкретно, като се имат предвид реалните клинични обстоятелства, идеалният контролен дизайн трябва да сравнява две групи със сходни клинични симптоми или епидемиологична анамнеза като треска, кашлица, аномалии на изображението на белите дробове при компютърна томография, но отрицателни и положителни резултати в теста за нуклеинова киселина (или други диагностични златни стандарти) . Такъв дизайн имаше за цел да консолидира по-отличителните радиоактивни характеристики на новата коронавирусна пневмония. В допълнение, метриката за оценка, избрана за оценка на ефективността на модела, трябва да бъде внимателно обмислена. Например, когато се оценява диагностичен модел "CT плюс AI", съотношението на точност не е подходящ индикатор, който може да оцени напълно модела. Дисбалансът между положителните и отрицателните проби от тестовите данни би довел до проблем с надценяване на производителността (напр. набор от тестове, състоящ се от 96 положителни и 4 отрицателни случая, може да примами наивен модел, даващ висока точност до 96 процента, дори ако моделът само кажете положителното). AI диагностичен софтуер се прилага при специфичен клиничен проблем за по-добра способност и ефективност. Преди прилагането, целите на изследването трябва да бъдат изяснени и изчистени за конкретните клинични проблеми. След това трябва да се проведе методологичен дизайн по научен начин. Трябва също така да се формулира пълен план за изследване. Обектите на изследване, правилото за включващо-изключително и показателите за оценка на крайната точка трябва да бъдат напълно взети предвид. Водещ с научен дизайн, рискът от отклонение може да бъде сведен до минимум, могат да бъдат получени висококачествени научни доказателства и надеждни насоки могат да бъдат предоставени за клинично приложение.

Изпълнение на изследването

Процесът на обучение на DNN модела с изкуствен интелект е изцяло управляван от данни. Той разчита на голям брой точно етикетирани образци на изображения по време на фазата на обучение. Колкото по-голямо е количеството данни, толкова по-добра е дискриминационната производителност на модела. Системата за диагностика на диабетна ретинопатия, като медицинско устройство с изкуствен интелект, разработено от американския технологичен гигант Google, премина втората фаза на клинични изпитания. Процесът на обучение на системата използва 130 милиона снимки на 10, 000 случая, което е близо до нивото на медицински експерти [30]. За разлика от това, въпреки че определените медицински звена натрупаха нови данни за КТ изображения на коронавирус в сътрудничество с производителите на технологии за обучение и развитие на софтуер в епидемията, общото количество е относително малко и разпространението е относително разпръснато, плюс оскъдния ресурс от експерти по КТ изображение етикетиране в началния етап, което води само до малък набор от данни, достъпен за обучение на модели и трудно гарантирано качество на етикетиране. Недостатъчните данни за обучение могат да накарат DNN модела да „запомни“ информация в CT изображения, която не е от значение за действителната диагноза поради неговите структурни характеристики със силна изразителна сила, което води до пренастройване и намаляване на способността за преценка на бъдещи данни. За да се постигне достатъчен тренировъчен ефект при условие на по-малък обем данни, често е необходимо да се проектира по-сложна структура на вътрешния модел и умения за обучение на модела, което също увеличава трудността на изпълнението.

Обмисляне на новото изключителност на COVID-19

Въз основа на клиничния опит, компютърната томография на гърдите при нова коронавирусна пневмония има характеристиките на „подобно изображение, но различно заболяване“. Трудно се разграничава от човешките очи, което увеличава трудността при антидиастола. Трудността е по-забележима, ако размерът на обучителната извадка е малък. В допълнение, като един от критериите за диагностика на новия COVID-19, резултатите от комплекта нуклеинова киселина показват висока специфичност, но ниска чувствителност. Ако се използва за етикетиране на тренировъчни проби като златен стандарт, действителните положителни проби ще бъдат погрешно маркирани като отрицателни. Обучението с погрешно етикетирани данни директно ще намали производителността на модела.

Проверка на надеждността на AI диагностиката

Не е надеждно да се оцени ефектът от диагностиката само чрез вътрешния тест за данни след внедряването на диагностичния модел на AI. Объркващият фактор под данните, причинен от различни модели CT оборудване, географски региони, действителна клинична среда, вариация на вируса и други фактори, може да повлияе на диагностичния резултат от модела. Моделът едва ли има способността да се справи с тези объркващи фактори с ограничени вътрешни тестове на данни. Когато софтуерът за диагностика на изкуствен интелект се пусне в клинична употреба без пълно валидиране, той може да бъде повторен само чрез офлайн обучение и оптимизация, тъй като не може да подобри нивото на диагностика и лечение, като продължава да изучава нови случаи като човешките лекари. В сравнение с погрешната диагноза на човешки лекар, потенциалните ятрогенни рискове, причинени от ограниченията на компютърния софтуер, ще бъдат по-видни. Съгласно новата версия на „Каталога за класификация на медицински устройства“ (CFDA 2017 No.143), софтуерът за диагностика на изкуствен интелект, като медицинско устройство, трябва да продължи със систематичен одит и обширна симулация, дори проспективни клинични изпитвания, за да провери напълно точността и надеждността на клиничната диагноза. Групата за изкуствен интелект на Националния институт за контрол на храните и лекарствата (NIFDC) създаде система за сигурност на медицинските устройства с изкуствен интелект и определи метода за тестване въз основа на стандартна проверка на набор от данни [30]. Понастоящем няма стандартна база данни за новото заболяване COVID-19, така че е трудно да се провери високата точност на повторяемост на съществуващия софтуер с изкуствен интелект в повечето диагнози на медицинско сканиране в реалния свят.

Подобряване на качеството и научната стандартизация на диагностичния модел "CT plus AI".

Прилагането на изкуствения интелект в медицинската индустрия все още е на ранен етап в Китай, докато получи силно внимание и бързо развитие през последните години, което дори беше включено в националния стратегически план [30]. Много продукти с изкуствен интелект са показали обещаващи перспективи в областта на медицината. В следващия етап, за комерсиализацията, фокусът на индустрията ще бъде върху научните изследвания на дизайна и стандартизиране на процеса на внедряване и проверка; разработване на изкуствен интелект в медицинската индустрия здравословно, стандартизиране на управлението на диагностични продукти, подпомагани от Al, съгласно спецификацията за нови медицински апарати. Въпреки че много продукти с изкуствен интелект, които се появиха по време на епидемията, донесоха удобство на лекарите при диагностицирането и лечението на заболявания, цялостната научна строгост и надеждност на качеството все още се нуждаят от допълнително подобрение и усъвършенстване.

Подобрете дизайна на изследването на AI технологията при клинични проблеми

Понастоящем повечето изследвания на новата диагностика с компютърна томография на COVID-19 използват ретроспективни методи за контрол на случаите. Едно от предимствата е бързото получаване на различна информация от ограничени обекти на изследване, докато съществува риск от пристрастия. Пробите в проучванията случай-контрола трябва да бъдат взети от всички диагностични случаи или произволно избрани от тях, но поради ограничени източници, пробите не могат да представят всички пациенти. Може да се използва специално вземане на контролни проби, за да се намали отклонението и да се повиши нивото на доказателства в съответствие с действителната ситуация, например чрез избиране на случаи от едно и също медицинско заведение, използване на две или повече контролни групи и съпоставяне на променливи. При оценката на ефективността на диагностичния модел, диаграмата на истинския положителен процент и фалшиво положителния процент (кривата на работната характеристика на приемника (ROC крива)) може да се използва за сравняване на интерпретацията на AI алгоритъм с оценката на лекаря или площта под кривата (AUC) като справката за производителността на модела. Дори и така, все още е трудно да се обяснят напълно клиничните ползи, разчитайки единствено на сравнение или показатели, други фактори за вземане на клинични решения в действителност също трябва да бъдат взети предвид за цялостна оценка.

Подобряване на точността на етикета, разширяване на броя и размера на пробите за обучение по време на процеса на внедряване на модела

В първичния етап моделите, обучени от малък брой проби от CT изображения, вече са показали добра тенденция. С течение на времето повече случаи ще подобрят по-добрата основна подкрепа в обучението на модели. Колкото повече изображения са научени, толкова по-голям е потенциалът за преодоляване на трудността на „едни и същи изображения, различни случаи“ при диагнозата COVID-19. В отговор на тази ситуация, въз основа на данни от CT изображения, моделът може също да разшири обхвата на информация чрез комбиниране на клиничните сигнали на пациента, епидемиологията, лабораторните изследвания и други данни за цялостна оценка на заболяването и подобряване на точността на диагнозата. Подобряването на точността на етикетирането на проби може да бъде постигнато чрез оптимизиране на стратегията за златен стандарт. Прилагайте множество интервали на тест за нуклеинова киселина, за да компенсирате възможността за единичен фалшиво-отрицателен резултат или кръстосано проверете резултата, като се позовавате на други диагностични комплекти, като откриване на IgM/lgG антитела.

Създаване на нова стандартна база данни за КТ за коронавирусна пневмония

След внедряването и вътрешната проверка на AI моделирането е необходима външна проверка на надеждността чрез стандартна система за тестване на база данни. Що се отнася до установената стандартна система от бази данни за заболявания на дъното и белодробни възли, единиците на заболяването идват от различни лечебни заведения в цялата страна, включително слабо развити райони. Данните съдържат различни спецификации и са съвместими с устройства от различни модели и параметри. Лекарите, участващи в етикетирането на данните от теста, имат опит в медицинските изследвания с ИИ и са добре обучени. Ще бъде сформиран специален изследователски екип от лекари с висока точност, стабилност и обогатен клиничен опит. Стандартният тестов набор от данни изтрива фирмените и машинните следи и стриктно контролира пристрастията на данните, за да осигури честна и обективна оценка на ефективността в затворена среда [30]. За да обобщим, трудно е да се създаде нова стандартна база данни за CT на COVID-19, като се разчита единствено на отделни институции. Нацията трябва да окаже съответната подкрепа в специалния период на епидемията. Например, бързо установете нова специална група за изкуствен интелект за COVID-19, която да ръководи и координира сътрудничеството и споделянето на ресурси на всички страни в цялата страна и съвместно да формулирате специална база данни за тестове за болести и други стандарти за проверка.

Стандартизирайте управлението на данни за медицински изследвания с изкуствен интелект

На 3 юли 2019 г. Центърът за оценка на медицински устройства публикува „Ключови точки за преглед на софтуера за медицински устройства, подпомаган от задълбочено обучение при вземане на решения“ (ключови точки). Той предоставя технически насоки за медицински продукти с изкуствен интелект, регистрирани като медицински устройства от трети тип, и елиминира тесното място в политиката преди пускането на продукта. Въпреки това няма законови ограничения относно етиката и сигурността на данните. Изкуственият интелект в медицинските изследвания трябва да отговаря на етиката и да защитава сигурността и поверителността на личните данни. Ако могат да бъдат формулирани национални или регионални закони и разпоредби за защита на поверителността на пациентите, докато може да бъде установена стандартизирана платформа за управление на данни за изследвания, изследователският проект може да бъде ефективно прегледан, за да се открият незабавно потенциални рискове в процеса на проектиране и изпълнение. Ще бъдат въведени насоки за сигурност на данните, за да се избегне рискът от възпрепятстване и унищожаване на човешкото здраве.

Препратки:

1 zc [Интернет]. Как да използваме AI за откриване и борба с новия коронавирус [цитирано 2020 март 20].

2. Huang Q [Интернет]. Екипът на академик Ли Ланджуан публикува: тези две лекарства могат ефективно да инхибират новия коронавирус [цитирано 2020 март 20].

3. Wang XS, Peng YF, Lu L, et al. ChestX-Ray8: База данни с рентгенови лъчи на гръдния кош в болничен мащаб и показатели за слабо контролирана класификация и локализация на често срещаните заболявания на гръдния кош. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, 2017, стр. 3462-3471.

4. Li Z, Wang C, Han M, et al. Идентифициране и локализиране на гръдни заболявания с ограничен надзор. arXiv електронни отпечатъци, 2017. arXiv:1711.06373.

5. Singh R, Kalra MK, Nitiwarangkul C, et al. Задълбочено обучение в рентгенографията на гръдния кош: Откриване на находки и наличие на промяна. PLoS One. 2018;13(10):e0204155. Публикувано на 4 октомври 2018 г.

6. Nam JG, Park S, Hwang EJ и др. Разработване и валидиране на базиран на дълбоко обучение алгоритъм за автоматично откриване на злокачествени белодробни възли върху рентгенографии на гръдния кош. Радиология, 2019 г.

7. Lakhani P, Sundaram B. Задълбочено обучение при радиография на гръдния кош: Автоматизирана класификация на белодробна туберкулоза чрез използване на конволюционни невронни мрежи. радиология. 2017; 284 (2): 574–582.

8. Gale W, Oakden-Rayner L, Carneiro G, et al. Откриване на фрактури на бедрената кост с производителност на ниво рентгенолог с помощта на дълбоки невронни мрежи. arXiv електронни разпечатки, 2017. arXiv:1711.06504.

9. Rajpurkar P, Irvin J, Bagul A, et al. MURA: Голям набор от данни за откриване на аномалии в мускулно-скелетни радиографии. arXiv електронни отпечатъци, 2017. arXiv:1712.06957.

10. Ридли EL [Интернет]. Дълбокото обучение показва обещание за оценка на костната възраст [цитирано 15 ноември 2017 г.].

11. Yee KM [Интернет]. AI алгоритъмът съвпада с рентгенолозите при прегледи за скрининг на гърдата [цитирано 13 декември 2017 г.].

12. Lehman CD, Yala A, Schuster T, et al. Мамографска оценка на плътността на гърдите с помощта на задълбочено обучение: клинично внедряване. Радиология, 2019. 290 (1): p. 52-58.

13. Ридли ЕЛ. Алгоритъмът за дълбоко обучение може да стратифицира риска от белодробни възли [цитирано 2017 г., 26 ноември].

14. Али I, Харт GR, Gunabushanam G, et al. Откриване на белодробни нодули чрез задълбочено обучение с подсилване. Преден онкол. 2018; 8: 108. Публикувано на 16 април 2018 г. doi:10.3389/fonc.2018.00108.

15. Walsh SLF, Calandriello L, Silva M, et al. Задълбочено обучение за класифициране на фиброзно белодробно заболяване при компютърна томография с висока разделителна способност: кохортно проучване на случай. Lancet Respir Med. 2018; 6 (11): 837–845.

16. Yasaka K, Akai H, Abe O, et al. Задълбочено обучение с конволюционна невронна мрежа за диференциация на чернодробни маси при КТ с динамичен контраст: Предварително проучване. радиология. 2018; 286 (3): 887–896.

17. Liu FZ, Xie LX, Xia YD и др. Съвместно представяне на формата и класификация за откриване на PDAC. arXiv електронни разпечатки, 2018. arXiv:1804.10684.

18. Бар A, Wolf L, Amitai OB, et al. Откриване на компресионни фрактури чрез компютърна томография. arXiv e-prints, 2017. arXiv:1706.01671.

19. Lieman-Sifry J, Le M, Lau F, et al. FastVentricle: Сърдечна сегментация с ENet. arXiv електронни разпечатки, 2017. arXiv:1704.04296.

20. Madani A, Arnaout R, Mofrad M, et al. Бърза и точна класификация на ехокардиограми с помощта на задълбочено обучение. npj Digital Med 1, 6 (2018).

21. Zhang J, Gajjala S, Agrawal P, et al. Напълно автоматизирана интерпретация на ехокардиограма в клиничната практика. Тираж, 2018. 138(16): с. 1623-1635.

22. Li XC, Zhang S, Zhang Q, et al. Диагностика на рак на щитовидната жлеза с помощта на модели на дълбока конволюционна невронна мрежа, приложени към сонографски изображения: ретроспективно, мултикохортно, диагностично изследване. Lancet Oncol. 2019; 20 (2): 193–201. doi:10.1016/S1470-2045(18)30762-9.

23. Li HL, Weng J, Shi YJ и др. Подобрен подход за дълбоко обучение за откриване на папиларен рак на щитовидната жлеза в ултразвукови изображения. Sci Rep. 2018; 8 (1): 6600. Публикувано на 26 април 2018 г.

24. Служба на Националната здравна комисия [Интернет]. Диагностика и лечение на нова коронавирусна пневмония (пробна версия пета) [цитирано 2020 февруари 04].

25. Alibaba DAMO Academy [Интернет]. Какво мислите за новата диагностична технология за CT изображения на коронавирусна пневмония, разработена от Ali Damo Academy, със среден процент на разпознаване от 96 процента за по-малко от 20 секунди? [ 2020-02-19].

26. Обединено изображение. Завладяване на „епидемичния“ пробив – официално стартира нова система за интелигентен асистент за анализ на коронавирусна пневмония на uAI [цитирано 10 февруари 2020 г.]

27. Gozes O, Frid-Adar M, Greenspan H, et al. Цикъл на бързо развитие на ИИ за пандемията от коронавирус (COVID-19): Първоначални резултати за автоматизирано откриване и наблюдение на пациенти с помощта на дълбоко обучаващ се CT анализ на изображения. ArXiv abs/2003.05037 (2020): n. страница

28. Huang L, Han R, Ai T, et al. Серийна количествена CT оценка на гръдния кош на COVID-19: Подход на задълбочено обучение. Рентгенология: Кардиоторакално изображение 2020 2:2.

29. Li L, Qin LX, Xu ZG и др. Изкуственият интелект разграничава COVID-19 от пневмония, придобита в обществото, на КТ на гръдния кош. радиология. 2020;200905.

30. Jin YH, Qiu M J. Китайска медицинска бяла книга за изкуствен интелект. Шанхай: Институт за изкуствен интелект на университета Jiao Tong в Шанхай, 2019 г. (китайски)