Integration af Deep Learning CT-scanningsmodel, biologiske og kliniske variabler for at forudsige sværhedsgraden af ​​astma hos børn (BREATHE)

Kunstig intelligens (AI) giver betydelige muligheder for sundhedspleje, der understøtter bedre diagnose, behandling, forebyggelse og personlig pleje. Analyse af sundhedsbilleder er et af de mest lovende områder for anvendelse af kunstig intelligens i sundhedsvæsenet, hvilket bidrager til bedre forudsigelse, diagnose og behandling af sygdomme.

Deep learning (DL) er i øjeblikket en af ​​de mest kraftfulde maskinlæringsteknikker. DL-algoritmer er i stand til at lære af rå (eller med lidt forbehandling) inputdata og selv opbygge sofistikerede abstrakte egenskabsrepræsentationer (nyttige mønstre), der muliggør meget nøjagtig opgavebeslutningstagning. For nylig har DL vist lovende resultater i at assistere lungesygdomsanalyse ved hjælp af computertomografi (CT) billeder.

De nuværende retningslinjer for svær astma anbefaler højopløsnings- og multidetektor-CT som et værktøj til sygdomsevaluering. CT-scanninger indeholder prognostisk information, da tilstedeværelsen af ​​bronkialvægsfortykkelse, luftindfangning, bronkial luminal indsnævring og bronkiektasi er forbundet med længere sygdomsvarighed og sygdommens sværhedsgrad hos voksne. Kun et lille antal undersøgelser har rapporteret CT-thorax fund hos børn med svær astma, og deres forhold til kliniske og patobiologiske parametre gav inkonsistente resultater. I hvilket omfang CT-scanninger tilføjer prognostisk information ud over, hvad der kan udledes af kliniske og biologiske data, er stadig uafklaret hos børn.

Projektet forventes at opbygge en DL-sværhedsscore til at forudsige alvorlig udvikling for børn med astma, ved at bruge en DL-model til at fange CT-scanningsprognoseinformation.