Crowdsourcing af et åbent COVID-19-billedlagringssted til AI-forskning

COVID-19-pandemien blotlægger behovet for tilgængelige kuraterede datasæt, som forskere kan bruge til at bygge klinisk-grade kunstig intelligens (AI) modeller. Forskere i Kina brugte for nylig deep learning-modeller af AI af klinisk kvalitet, trænet i radiografisk billeddannelse i eksponentiel skala til at opdage COVID-19-tilfælde og optimere allokeringen af ​​begrænsede ressourcer. (Jin S, Wang B, Xu H, et al. Ai-assisteret ct-billeddannelsesanalyse til covid-19-screening: Opbygning og implementering af et medicinsk ai-system på fire uger. medRxiv. 2020:2020.2003.2019.20039354. doi: 10.1101/2020.03.19.20039354). Denne forskningsplatform er i øjeblikket ikke mulig i USA, fordi der ikke er nogen store tilgængelige røntgenbilleder af COVID-19-patienter at udnytte. Derfor er formålet med dette projekt at lancere en interaktiv og HIPAA-kompatibel webportal-CovidImaging.com-hvor patienter sikkert kan dele deres radiografiske billeddata. Denne portal vil fungere som et billedopbevaringssted med det formål at træne, teste og validere en AI-model, der sigter mod tidligere og mere præcis sygdomsdetektion i denne globale kamp mod COVID-19.

Den 30. januar 2020 udpegede Verdenssundhedsorganisationen COVID-19-udbruddet, der opstod i Wuhan, Kina, som en global sundhedsnødsituation. Siden da har virussen hurtigt spredt sig over hele verden som en pandemi, der har ugunstigt påvirket sundhedssystemerne på bekostning af primære sundhedsydelser.1Symptomatisk tilfælde af COVID-19 viser sig med kliniske symptomer, der ligner viral lungebetændelse, såsom feber, åndenød, kulderystelser, træthed, hoste og dyspnø, der kan udvikle sig til akut respiratory distress syndrome, der kræver kritisk pleje og ventilation. 2 Bronchoalveolær udskylningsanalyse og elektronmikroskopi identificerede årsagsagenset til at være et nyt RNA-virus med positiv sans i Coronaviridae-familien med spidse peplomerer knyttet til dens kappe.3 Denne familie af vira er også blevet forbundet med alvorligt akut respiratorisk syndrom (SARS) og Mellemøstens respiratoriske syndrom (MERS), som forårsager lignende lungebetændelsesrelateret dødelighed.

Foreløbige gennemgange er blevet udført for at undersøge overlapningen af ​​rapporterede billeddannelsesfunktioner i SARS, MERS og COVID-19, da det relaterer sig til symptomstart, sygdomsprogression og opfølgning. Tidlige beviser tyder på betydelig overlapning i billeddannelsesegenskaber såsom subpleurale og perifere områder af slibeglasopacitet og konsolidering, med indledende brystbilleddannelse, der indikerer abnormitet hos mindst 85 % af COVID-19-patienter. 4 I mangel af vacciner og specifikke terapeutiske lægemidler til forebyggelse og behandling af COVID-19, spiller påvisning af sygdommen en afgørende rolle i indeslutningsstrategier, der isolerer inficerede mennesker fra den raske befolkning. Selvom RT-PCR-følsomheden for COVID-19 kan være så lav som 60-70 %, er det i øjeblikket den store testmetode med dens høje specificitet.7 Den lave følsomhed af RT-PCR, sammen med begrænsninger af prøveindsamling, tidsforsinkelse, transport og laboratorieudstyr, betyder, at der ikke bliver identificeret nok COVID-19-positive mennesker i tide til at forhindre progressiv infektion af denne meget smitsomme virus. På grund af den respiratoriske involvering i COVID-19-infektioner har røntgen af ​​thorax spillet en vigtig rolle i screening, diagnosticering og udvikling af behandlingsplaner for patienter med COVID-19-relateret lungebetændelse. Derfor kan en kombination af billeddiagnostik med kliniske fund og laboratorieresultater lette den tidlige diagnose af COVID-19.5 Tidlig påvisning ville fremskynde behandlingen og give mulighed for tidlig patientisolation. Dette er essentielt for implementeringen af ​​folkesundhedsovervågning, indeslutning og respons på en meget overførbar sygdom, hvor overførsel kan forekomme før symptomernes begyndelse. Forbedring af præcisionen af ​​røntgenfortolkning med AI-modeller kan forbedre detektionshastigheden og patientprognosen og dermed bidrage til at reducere spredningen af ​​COVID-19.

Som for nylig rapporteret viser CT-thorax almindelige radiografiske træk hos næsten alle COVID-19-patienter, herunder opaciteter af jordglas 4, multifokal pletvis konsolidering og/eller interstitielle ændringer med en perifer fordeling. 8,9 Undersøgelser er også blevet udført for at sammenligne effektiviteten og den diagnostiske værdi af bryst-CT med RT-PCR-tests i COVID-19 tilfælde. En case-rapport af 1014 patienter i Kina konkluderede, at CT-thorax har en høj følsomhed for diagnose af COVID-19, hvor 60 % til 93 % af tilfældene viste initial positiv CT-diagnose før de første positive RT-PCR-resultater. 10 Et andet studie med 51 patienter under CT- og RT-PCR-analyse inden for 3 dage viste, at følsomheden af ​​CT for COVID-19-infektion var 98 % sammenlignet med 71 % RT-PCR-følsomhed.11 Disse undersøgelser indikerer yderligere den diagnostiske værdi af røntgenbilleder af thorax sammen med kliniske og laboratoriefund. Dette projekt vil udvikle et stort radiografisk billedlager, som vil blive brugt til at træne og validere en AI dyb læringsmodel. Dette projekt involverer nødvendigvis ikke kun at designe og forfine en dyb læringsmodel, men også kurere et lager af donerede røntgenbilleder af thorax, som vil blive brugt til at træne den nye model. Brug af en sikker og HIPAA-klage online platform, som er designet til dette projekt, vil give dette projekt mulighed for at anvende en big data tilgang til at forbedre nøjagtigheden af ​​modellen. Da patienter fra sundhedsfaciliteter rundt om i landet vil have lige muligheder for at deltage i projektet, vil denne portal også give mulighed for at udvide den demografiske pulje på en måde, som tidligere undersøgelser ikke kunne.