Nyílt COVID-19 képalkotó adattár közösségi beszerzése az AI-kutatáshoz

A COVID-19 világjárvány nyilvánvalóvá teszi, hogy szükség van olyan hozzáférhető kurált adatkészletekre, amelyeket a kutatók felhasználhatnak klinikai szintű mesterséges intelligencia (AI) modellek felépítéséhez. A kínai kutatók a közelmúltban a radiográfiás képalkotásra kiképzett klinikai szintű mesterséges intelligencia mély tanulási modelljeit alkalmazták exponenciális léptékben a COVID-19 esetek kimutatására és a korlátozott erőforrások elosztásának optimalizálására. (Jin S, Wang B, Xu H és mtsai. Ai-asszisztált ct képalkotó elemzés a covid-19 szűréshez: Orvosi segélyrendszer felépítése és telepítése négy hét alatt. medRxiv. 2020:2020.2003.2019.20039354. doi: 10.1101/2020.03.19.20039354). Ez a kutatási platform jelenleg nem lehetséges az Egyesült Államokban, mert nem állnak rendelkezésre nagy, hozzáférhető radiográfiai felvételek a COVID-19-betegekről. Ezért ennek a projektnek az a célja, hogy elindítson egy interaktív és HIPAA-kompatibilis CovidImaging.com internetes portált, ahol a betegek biztonságosan megoszthatják radiográfiai képalkotó adataikat. Ez a portál képalkotó adattárként fog szolgálni egy mesterséges intelligencia-modell képzése, tesztelése és validálása céljából, amelyek célja a betegségek korábbi és pontosabb felismerése a COVID-19 elleni globális küzdelemben.

2020. január 30-án az Egészségügyi Világszervezet globális egészségügyi vészhelyzetnek minősítette a kínai Vuhanból kiinduló COVID-19-járványt. Azóta a vírus világjárványként gyorsan elterjedt az egész világon, kedvezőtlenül érintve az egészségügyi rendszereket, az egészségügyi alapellátási követelmények rovására.1 Tüneti A COVID-19 esetei a vírusos tüdőgyulladáshoz hasonló klinikai tünetekkel járnak, mint például láz, légszomj, hidegrázás, fáradtság, köhögés és nehézlégzés, amely akut légzési distressz szindrómává alakulhat, és kritikus ellátást és lélegeztetést igényel. 2 A bronchoalveoláris öblítés analízis és az elektronmikroszkópos vizsgálat kimutatta, hogy a kórokozó a Coronaviridae családba tartozó új, pozitív értelmű RNS-vírus, amelynek borítékához tüskés peplomerek kapcsolódnak.3 Ezt a víruscsaládot a súlyos akut légúti szindrómával (SARS) és a közel-keleti légúti szindrómával (MERS) is összefüggésbe hozták, amelyek hasonló tüdőgyulladással összefüggő mortalitást okoznak.

Előzetes felülvizsgálatokat végeztek a SARS, a MERS és a COVID-19 jelentett képalkotó jellemzőinek átfedéseinek vizsgálatára a tünetek megjelenésével, a betegség progressziójával és a nyomon követéssel kapcsolatban. A korai bizonyítékok arra utalnak, hogy a képalkotási jellemzők jelentős átfedésben vannak, mint például a csiszolt üveg átlátszatlansága és konszolidációja a pleurális alatti és perifériás területeken, és a kezdeti mellkasi képalkotás a COVID-19-betegek legalább 85%-ánál rendellenességet jelez. 4 A COVID-19 megelőzésére és kezelésére szolgáló vakcinák és specifikus terápiás gyógyszerek hiányában a betegség kimutatása létfontosságú szerepet játszik az olyan védekezési stratégiákban, amelyek a fertőzött embereket elkülönítik az egészséges lakosságtól. Annak ellenére, hogy az RT-PCR érzékenysége a COVID-19-re akár 60-70%-ot is elérhet, jelenleg ez a nagyszabású vizsgálati módszer a maga nagy specifitásával.7 Az RT-PCR alacsony érzékenysége, valamint a mintagyűjtés, az időkésleltetés, a szállítás és a laboratóriumi felszerelés korlátai azt jelentik, hogy nem sikerül időben azonosítani elegendő COVID-19-pozitív személyt ahhoz, hogy megakadályozzák ennek a rendkívül fertőző vírusnak a progresszív fertőzését. Tekintettel a COVID-19 fertőzésekben a légúti érintettségre, a mellkasi radiográfia fontos szerepet játszott a COVID-19-hez kapcsolódó tüdőgyulladásban szenvedő betegek szűrésében, diagnosztizálásában és kezelési tervek kidolgozásában. Ezért a képalkotás klinikai és laboratóriumi leletekkel való kombinálása megkönnyítheti a COVID-19.5 korai diagnosztizálását A korai felismerés felgyorsítaná a kezelést és lehetővé tenné a beteg korai elkülönítését. Ez alapvető fontosságú a közegészségügyi felügyelet végrehajtásához, a feltartóztatáshoz és az olyan erősen fertőző betegségekre való reagáláshoz, amelyekben a fertőzés a tünetek megjelenése előtt is megtörténhet. A radiográfiai értelmezés pontosságának AI modellekkel történő javítása javíthatja az észlelési arányt és a betegek prognózisát, és így segíthet csökkenteni a COVID-19 terjedését.

Amint arról nemrégiben beszámoltunk, a mellkasi CT szinte minden COVID-19-betegnél közös radiográfiai jellemzőket mutat, beleértve a csiszolt 4 opacitást, a multifokális foltos konszolidációt és/vagy a perifériás eloszlású intersticiális elváltozásokat. 8,9 Tanulmányokat is végeztek a mellkasi CT és az RT-PCR tesztek hatékonyságának és diagnosztikai értékének összehasonlítására COVID-19 esetekben. Egy 1014 kínai betegről készült esetjelentés arra a következtetésre jutott, hogy a mellkasi CT nagy érzékenységgel rendelkezik a COVID-19 diagnosztizálására, és az esetek 60-93%-a a kezdeti pozitív CT-diagnózist a kezdeti pozitív RT-PCR-eredmények előtt mutatja. 10 Egy másik vizsgálat, amelyben 51 betegnél végeztek mellkasi CT-t és RT-PCR-t 3 napon belül, azt mutatta, hogy a CT érzékenysége a COVID-19 fertőzésre 98%, szemben a 71%-os RT-PCR érzékenységgel.11 Ezek a vizsgálatok a klinikai és laboratóriumi leletek mellett a mellkas röntgenfelvételek diagnosztikus értékét is jelzik. Ez a projekt egy nagy radiográfiai képtárat fejleszt ki, amelyet az AI mélytanulási modell betanítására és validálására használnak majd. Ez a projekt szükségszerűen nem csak egy mély tanulási modell megtervezését és finomítását foglalja magában, hanem az adományozott mellkas röntgenfelvételek tárának gondozását is, amelyet az új modell betanításához használnak majd fel. A projekthez tervezett biztonságos és HIPAA-panaszokkal kezelt online platform használata lehetővé teszi, hogy a projekt big data megközelítést alkalmazzon a modell pontosságának javítása érdekében. Mivel az ország egészségügyi intézményeinek betegei egyenlő esélyekkel vehetnek részt a projektben, ez a portál lehetőséget ad a demográfiai állomány olyan bővítésére is, amelyre a korábbi tanulmányok nem tudták.