Döntéstámogató rendszer algoritmusa a COVID-19 diagnosztizálásához

A COVID-19 egy fertőző betegség, amelyet egy újonnan felfedezett koronavírus okoz, amelyet először a kínai Vuhanban azonosítottak 2019 decemberében. Ezután az új koronavírus-járványt az Egészségügyi Világszervezet (WHO) 2020. március 11-én pandémiának minősítette és bejelentette.

A fordított transzkripciós polimeráz láncreakció (RT-PCR) jelenleg a COVID-19 diagnosztizálásának arany standard tesztje. Mindazonáltal magas álnegatív aránya (10-50%) miatt a diagnózis és a kezelési döntések nem kizárólag az RT-PCR-n múlnak. A páciensek klinikai bemutatása és a radiológiai leletek szintén fontosak. Mindazonáltal sem a klinikai megjelenés, sem a számítógépes tomográfia (CT) leletek nem jellemzőek a COVID-19-re. E kihívások következtében a betegség diagnosztizálása és a közösség egészségének védelme egyre nehezebbé válik. A tanulmány kutatói azt feltételezték, hogy a mély tanuláson alapuló döntéstámogató rendszer segíthet a COVID-19 végleges diagnózisában. A cél egy mély tanuláson alapuló döntéstámogató rendszer algoritmus kifejlesztése, amely a betegek klinikai bemutatásán, laboratóriumi és CT-leleteken, valamint RT-PCR adatokon alapul. Korábban mély tanulási algoritmusokat fejlesztettek ki olyan széles körben ismert mély neurális hálózati architektúrák használatával, mint az Inception, UNet, ResNet. Mindezek a vizsgálatok azonban CT-leleteken alapultak. A szakirodalomban nem található olyan mélytanulási tanulmány, amely egyesítené a betegek klinikai, radiológiai és laboratóriumi eredményeit.

A projekt a COVID-19 betegek elérhető adatain alapul, amelyeket az Egészségügyi Minisztériumtól szereznek be. Ezután az adatok relevanciáját és megbízhatóságát értékelik, és felcímkézik a gép betanítására. Az adatok anonimizálását követően az adatok feldolgozása az előre meghatározott felvételi-kizárási kritériumok szerint történik. A mellkasi CT-adatokat a COVID-19 tüdőgyulladásra jellemző / határozatlan / atipikus / negatív jelöléssel látják el. Ezenkívül az ismert, nem COVID-19 betegségben szenvedő betegek CT-képeit gépi képzés céljából felcímkézik. Ezután felcímkézik a lázat, a limfocitaszámot, a neutrofil/limfocita arányt, az elérhetőségeket, az RT-PCR leleteket. Ezt követően ezen csoportosított és címkézett adatok segítségével címkézzük a betegeket, és mélytanulási módszerrel oktatjuk a gépet. A betanítási fázist követően az algoritmus tesztelésre kerül, és ha a gép eléri a célspecificitást és érzékenységet, akkor a prototípust tesztelik. Ezután a prototípust beágyazzák a kórházi szoftverrendszerbe. Ez a szoftver és algoritmus korai figyelmeztető rendszerként fog szolgálni a klinikusok számára, és jobb diagnosztikai arányt biztosít, különösen a hamis negatív eredmények csökkenésével. A világjárvány hatásait nem lehet pusztán a diagnosztizált és izolált emberek számával, illetve a biztosított kezeléssel mérni. A világjárvány nemcsak a közösség egészségét érinti, hanem az egyének pszichológiai állapotát, oktatását, oktatási módszereit, munkamodelljeit, mindennapi életmódját, termelői/fogyasztói magatartását, kereslet/kínálat egyensúlyát is; más szóval az élet minden egyes területén. Ráadásul a világjárvány hosszú távú, nehezen visszafordítható károkat okoz. A szoftver növeli a diagnosztikai sikerarányokat, segít a járvány leküzdésében, és minimalizálja a fent említett járulékos károkat. A nyomozók úgy vélik, hogy a projekt végén előállított termék nagy előnyökkel jár majd a COVID-19 várhatóan bekövetkező másodlagos hullámának megfékezésében.