Crowdsourcing van een Open COVID-19 Imaging Repository voor AI-onderzoek

De COVID-19-pandemie legt de behoefte bloot aan toegankelijke samengestelde datasets die onderzoekers kunnen gebruiken om kunstmatige intelligentie (AI)-modellen van klinische kwaliteit te bouwen. Onderzoekers in China hebben onlangs deep learning-modellen van klinische AI ​​gebruikt die op exponentiële schaal zijn getraind in radiografische beeldvorming om COVID-19-gevallen te detecteren en de toewijzing van beperkte middelen te optimaliseren. (Jin S, Wang B, Xu H, et al. Ai-geassisteerde ct-beeldvormingsanalyse voor covid-19-screening: een medisch ai-systeem bouwen en implementeren in vier weken. medRxiv. 2020:2020.2003.2019.20039354. doi: 10.1101/2020.03.19.20039354). Dit onderzoeksplatform is momenteel niet mogelijk in de Verenigde Staten omdat er geen grote toegankelijke radiografische beeldensets van COVID-19-patiënten zijn die kunnen worden gebruikt. Daarom is het doel van dit project om een ​​interactief en HIPAA-compatibel webportaal -CovidImaging.com- te lanceren waar patiënten hun radiografische beeldgegevens veilig kunnen delen. Dit portaal zal dienen als beeldopslagplaats voor het trainen, testen en valideren van een AI-model dat gericht is op eerdere en nauwkeurigere ziektedetectie in deze wereldwijde strijd tegen COVID-19.

Op 30 januari 2020 bestempelde de Wereldgezondheidsorganisatie de COVID-19-uitbraak die ontstond in Wuhan, China, als een wereldwijde noodsituatie op gezondheidsgebied. Sindsdien heeft het virus zich snel over de wereld verspreid als een pandemie, met ongunstige gevolgen voor de gezondheidszorgstelsels ten koste van de eerstelijnsgezondheidszorg.1 Symptomatisch gevallen van COVID-19 vertonen klinische symptomen die lijken op virale longontsteking, zoals koorts, kortademigheid, koude rillingen, vermoeidheid, hoesten en kortademigheid die zich kunnen ontwikkelen tot acute respiratory distress syndrome, waarbij kritische zorg en beademing nodig zijn. 2 Bronchoalveolaire lavage-analyse en elektronenmicroscopie identificeerden de veroorzaker als een nieuw, positive-sense RNA-virus in de Coronaviridae-familie, met verrijkte peplomeren vastgemaakt aan de envelop.3 Deze familie van virussen is ook in verband gebracht met ernstig acuut respiratoir syndroom (SARS) en het Midden-Oosten respiratoir syndroom (MERS), die vergelijkbare longontsteking-gerelateerde sterfte veroorzaken.

Er zijn voorlopige beoordelingen uitgevoerd om de overlap van gerapporteerde beeldvormingskenmerken bij SARS, MERS en COVID-19 te onderzoeken met betrekking tot het begin van de symptomen, de progressie van de ziekte en de follow-up. Vroeg bewijs suggereert een significante overlap in beeldvormingskenmerken zoals subpleurale en perifere gebieden van matglas-opaciteit en consolidatie, waarbij initiële beeldvorming van de borst een afwijking aangeeft bij ten minste 85% van de COVID-19-patiënten. 4 Bij gebrek aan vaccins en specifieke therapeutische medicijnen voor de preventie en behandeling van COVID-19, speelt de detectie van de ziekte een cruciale rol in inperkingsstrategieën die geïnfecteerde mensen isoleren van de gezonde bevolking. Hoewel de gevoeligheid van RT-PCR voor COVID-19 zo laag kan zijn als 60-70%, is het momenteel de grootschalige testmethode met zijn hoge specificiteit.7 De lage gevoeligheid van RT-PCR, samen met de beperkingen van monsterafname, tijdsvertraging, transport en laboratoriumapparatuur, betekent dat niet genoeg COVID-19-positieve mensen op tijd worden geïdentificeerd om progressieve infectie van dit zeer besmettelijke virus te voorkomen. Gezien de betrokkenheid van de luchtwegen bij COVID-19-infecties, heeft thoraxradiografie een belangrijke rol gespeeld bij het screenen, diagnosticeren en ontwikkelen van behandelplannen voor patiënten met COVID-19-gerelateerde longontsteking. Daarom zou het combineren van beeldvorming met klinische en laboratoriumbevindingen de vroege diagnose van COVID-19.5 kunnen vergemakkelijken Vroege detectie zou de behandeling versnellen en een vroege isolatie van de patiënt mogelijk maken. Dit is essentieel voor de implementatie van toezicht op de volksgezondheid, inperking en reactie op een zeer overdraagbare ziekte waarbij overdracht kan plaatsvinden voordat de symptomen optreden. Het verbeteren van de precisie van radiografische interpretatie met AI-modellen kan de detectiegraad en patiëntprognose verbeteren en zo de verspreiding van COVID-19 helpen verminderen.

Zoals onlangs gemeld, vertoont CT van de borst gemeenschappelijke radiografische kenmerken bij bijna alle COVID-19-patiënten, waaronder matglas 4-opaciteiten, multifocale fragmentarische consolidatie en/of interstitiële veranderingen met een perifere distributie. 8,9 Er zijn ook onderzoeken uitgevoerd om de werkzaamheid en diagnostische waarde van thorax-CT te vergelijken met RT-PCR-testen in COVID-19-gevallen. Een casusrapport van 1014 patiënten in China concludeerde dat thorax-CT een hoge gevoeligheid heeft voor de diagnose van COVID-19, waarbij 60% tot 93% van de gevallen een eerste positieve CT-diagnose vertoonde voorafgaand aan de eerste positieve RT-PCR-resultaten. 10 Een andere studie met 51 patiënten die binnen 3 dagen een CT-thorax en RT-PCR-assay ondergingen, toonde aan dat de gevoeligheid van CT voor COVID-19-infectie 98% was, vergeleken met 71% RT-PCR-gevoeligheid.11 Deze onderzoeken geven verder de diagnostische waarde van thoraxfoto's aan, naast klinische en laboratoriumbevindingen. Dit project zal een grote opslagplaats voor radiografische beelden ontwikkelen die zal worden gebruikt om een ​​AI-deep learning-model te trainen en te valideren. Dit project omvat noodzakelijkerwijs niet alleen het ontwerpen en verfijnen van een deep learning-model, maar ook het samenstellen van een opslagplaats van gedoneerde thoraxfoto's die zullen worden gebruikt om het nieuwe model te trainen. Door gebruik te maken van een veilig en HIPAA-conform online platform, zoals ontworpen voor dit project, kan dit project een big data-benadering toepassen om de nauwkeurigheid van het model te verbeteren. Aangezien patiënten uit zorginstellingen in het hele land gelijke kansen krijgen om aan het project deel te nemen, biedt dit portaal ook de mogelijkheid om de demografische pool uit te breiden op een manier die eerdere studies niet konden.