استارتاپ DarwinAI شبکه COVID-Net را برای تشخیص کووید۱۹ توسط تصویربرداری پزشکی آزادرسانی کرد

منتشر‌شده در: وبلاگ SyncedReview به تاریخ ۲ آپریل ۲۰۲۰
لینک منبع: DarwinAI Open-Sources COVID-Net as Medical Imaging in COVID-19 Diagnosis Debate Continues

در حالی که جهان با اپیدمی کووید۱۹ دست و پنجه نرم می‌کند، جامعه علمی جهانی تمام گزینه‌ها را در تلاش برای توسعه روش‌های جدید برای مبارزه با آن بررسی می‌کند. غربالگری موثر بیماران مبتلا نقش مهمی در خطوط مقدم بازی می‌کند، و استاندارد طلایی برای این کار تست واکنش زنجیره‌ای پلی مراز (PCR) است.

یک جایگزین غربالگری کووید۱۹ که اخیرا پیشنهاد شده‌است، تشخیص با هوش مصنوعی براساس تصاویر رادیوگرافی قفسه‌سینه مانند اشعه ایکس یا سی‌تی‌اسکن است.

در طول چند سال گذشته، محققان هوش مصنوعی روش‌های متعددی را نشان داده‌اند که سیستم‌های تشخیصی بینایی ماشین می‌توانند به رادیولوژیست کمک کنند تا تصاویر پزشکی را با سرعت و دقت بیشتری تفسیر کند.

محققان لیندا وانگ و الکساندر وونگ از دانشگاه واترلو ویژن و آزمایشگاه پردازش تصویر و موسسه هوش مصنوعی واترلو کانادا اخیرا COVID-Net که یک شبکه عصبی کانولوشنال برای تشخیص کووید۱۹ از طریق رادیوگرافی قفسه‌سینه است را توسعه‌داده و منبع باز منتشر کرده‌اند.

وانگ رئیس تحقیقات کانادا در هوش مصنوعی و تصویربرداری پزشکی و از بنیانگذاران و رئیس دانشمند استارتاپ کانادایی DarwinAI است. او به Synced گفت: ما همه داده‌ها و مدل را در دسترس قرار دادیم. این اولین باری است که یک استراتژی قابلیت توجیه هوش مصنوعی برای ارائه بینش‌های عمیق در شاخص‌های بصری استفاده می‌شود که ابزارهای COVID-Net برای تصمیم‌گیری کووید۱۹ استفاده می‌کنند، که خوشبختانه به متخصصان بالینی در غربالگری و اعتماد بهتر به سیستم کمک خواهد کرد.

محققان COVID-Net را با استفاده از مجموعه داده COVIDx آموزش داده و تست کردند، که شامل حدود ۶۰۰۰ تصویر اشعه ایکس از قفسه‌سینه از ۲،۸۳۹ بیمار از مجموعه داده اشعه ایکس COVID؛ و تصاویر اشعه ایکس از قفسه‌سینه Kaggel (ذات‌الریه) است که شامل تصاویر پنومونی باکتریایی، ذات‌الریه ویروسی غیر COVID19، و هیچ کلاس ذات‌الریه را پوشش می‌دهد. DarwinAI این هفته مجموعه داده COVIDx را به روز رسانی کرد، که در حال حاضر ۱۶۷۵۶ X-Rays سینه در ۱۳۶۴۵ مورد بیمار دارد.

این تیم همچنین از روش ترکیب تولیدی DarwinAI مبتنی بر قابلیت توجیه GSInquire استفاده کرد که این شرکت می‌گوید می‌تواند بررسی کند که COVID-Net چگونه پیش‌بینی‌ها را انجام می‌دهد و در کجا عوامل بحرانی در ورودی اشعه ایکس تعیین می‌شوند.

نتایج آزمایش نشان داد که COVID-Net می‌تواند عفونت کووید۱۹ را با ارزش پیش‌بینی‌کننده مثبت (PPV)  معادل با ۸۸.۹ درصد تشخیص دهد.

با این حال بحث‌های مداوم در جامعه علمی در مورد مناسب بودن اسکن‌های رادیوگرافی برای تشخیص کووید۱۹ وجود دارد، چرا که این روش‌ها به سخت‌افزار بیمارستان نیاز دارند در حالی که تست PCR-که پرکاربردترین روش تشخیصی است-به طور منطقی سریع است و می‌تواند به درستی SARS-Cov-2 RNA را از طریق سوآب بینی ساده تشخیص دهد.

کالج رادیولوژی آمریکا (ACR) توصیه می‌کند که اسکن‌های CT به مقدار کم در تشخیص کووید۱۹، که برای بیماران علامت‌دار بستری با نشانه‌های بالینی خاص برای CT ذخیره شده‌است، مورد استفاده قرار گیرند. روش‌های مناسب کنترل عفونت باید قبل از اسکن کردن بیماران بعدی دنبال شوند، و CT نباید برای نمایش یا به عنوان تست خط اول برای تشخیص کووید۱۹ استفاده شود. مرکز کنترل بیماری‌های آمریکا و بسیاری از سازمان‌های بین‌المللی رادیولوژی نیز در مورد استفاده از سی‌تی‌اسکن برای تشخیص کووید۱۹ متقاعد نشده اند.

اما همه‌گیری کووید۱۹ جهان را به مکانی ناآشنا و نامشخص با استراتژی‌ها و ابزارهایی در تکامل مداوم سوق داده‌است. در حالی که نگرانی‌ها همچنان ادامه دارد، طرح DarwinAI در حال حاضر کار با سایت‌های بالینی مختلف در سراسر کانادا برای هم‌کاری در جمع‌آوری داده‌ها و اعتبار سنجی به منظور بهبود کیفیت پیش‌بینی COVID-Net است.

در سطح جهانی، برخی از بیمارستان‌ها در حال حاضر ابزارهای هوش مصنوعی را برای تشخیص کووید۱۹ با استفاده از اسکن قفسه‌سینه به کار گرفته‌اند. در ۲۱ فوریه، علی‌بابا غول فن‌آوری چینی یک الگوریتم جدید هوش مصنوعی را اعلام کرد که می‌تواند موارد مشکوک را در عرض ۲۰ ثانیه با دقت ۹۶ درصد تشخیص دهد. این الگوریتم با اطلاعات و سی‌تی‌اسکن از بیش از ۵۰۰۰ مورد تایید شده کووید۱۹ آموزش داده شد و برای اولین بار در بیمارستان شماره ۶ ووهان به عنوان مرکز بیماری مستقر شد. علی‌بابا می‌گوید که از اواسط ماه مارس سیستم هوش مصنوعی در ۲۶ بیمارستان مورد استفاده قرار گرفته و به تشخیص بیش از ۳۰،۰۰۰ مورد کمک کرده‌است.

در ۱۲ مارس، محققان از RADLogics ، دانشگاه تل‌آویو، بیمارستان مونت سینای نیویورک و دانشکده پزشکی مریلند یک سیستم تحلیل تصویر عمیق یادگیری مبتنی بر هوش مصنوعی را براساس اسکن‌های قفسه‌سینه CT معرفی کردند که می‌تواند با نظارت دقیق بر پیشرفت بیماری یا بازگشت بیمار به پزشک کمک کند.

در ۳۰ مارس، یک تیم از محققان دانشگاه سن دیگو، COVID-CT-Dataset خود را متن‌باز کردند، که شامل ۲۷۵ اسکن سی تی جمع‌آوری‌شده از ۱۴۳ مورد تایید شده و یکی از بزرگ‌ترین این کلکسیون‌ها است. این تیم اشاره کرد که اگرچه مطالعات پتانسیل اسکن‌های CT در غربالگری و تست کووید۱۹ را نشان می‌دهند، اما داده‌های کمی با توجه به نگرانی‌های حریم خصوصی به اشتراک گذاشته شده‌اند: « این امر تا حد زیادی مانع تحقیق و توسعه روش‌های پیشرفته هوش مصنوعی برای تست دقیق‌تر کووید۱۹ براساس CT می‌شود.»

محققان DarwinAI می‌گویند که کمبود تصاویر رادیوگرافی کووید۱۹ در حوزه عمومی، انگیزه اصلی آن‌ها برای آزادرسانی پروژه COVID-Net بود، زیرا داده‌های آموزشی، کلید افزایش سرعت و دقت تشخیص مبتنی بر اسکن ریه با هوش مصنوعی است.

شلدون فرناندز، مدیرعامل DarwinAI، اخیرا در یک پست وبلاگ گفت که این شرکت قصد دارد برای بهبود عملکرد COVID-Net، دست‌کم ۵۰۰ تصویر اشعه ایکس از سینه  بیماران دارای COVID مثبت به آن اضافه کند.

مقاله COVID-Net: طراحی شبکه عصبی پیچیده خطی برای تشخیص موارد کووید۱۹ از تصاویر رادیوگرافی قفسه‌سینه در arXiv قابل مطالعه است. پروژه متن باز شده در گیت‌هاب در دسترس است.

این متن با استفاده از ربات ترجمه مقاله یادگیری ماشین ترجمه شده و به صورت محدود مورد بازبینی انسانی قرار گرفته است.در نتیجه می‌تواند دارای برخی اشکالات ترجمه باشد.