ovenfor: ISTOCK.COM, SUDOK1
selvom den indledende bølge af SARS-CoV-2-pandemien er aftaget i mange lande, søger sundhedsudbydere stadig at identificere så mange COVID-19-patienter som muligt og indeholde sygdommen. Hurtig og nøjagtig diagnose er især vigtig, når intetanende patienter med en coronavirusinfektion kommer til hospitalet med helbredsklager, men endnu ikke viser symptomer på COVID-19.
Nasalpindeprøver analyseret af RT-PCR anbefales i øjeblikket til diagnose af COVID-19, Men der søges stadig forsyningsmangel, en ventetid på op til to dage for resultater og en falsk negativ hastighed så høj som 1 ud af 5 middelalternativ, storskala COVID-19 screeningsværktøjer.
SARS-CoV-2 er kendt for at skade lungevæv og på en tydelig måde, som læger nu søger at udnytte til nye diagnostiske tilgange. Mange COVID-19-patienter udvikler lungebetændelse, som kan udvikle sig til åndedrætssvigt og undertiden død. COVID-19 lungebetændelse adskiller sig fra mere almindelige former for bakteriel lungebetændelse, og forskellene vises i CT-scanninger i brystet. Mest slående er overskyede læsionsmønstre, der ligner glasskår eller retikulære linjer inden for de uigennemsigtige læsioner, der ligner uregelmæssige brolægningsfliser, der forekommer omkring periferien af begge lunger. Læsioner fra bakteriel lungebetændelse er normalt koncentreret i en lunge og kan ikke ligne glasskår.
i Kina bruges CT-scanninger allerede som et covid-19 diagnostisk værktøj, når en patient ankommer til en sundhedsindstilling med feber og en mistanke om infektion, selvom denne tilgang ikke er blevet bredt vedtaget i USA. To undersøgelser, der er offentliggjort i Nature Medicine and Cell, fremmer denne ide ved at bruge kunstig intelligens (AI) uddannet på CT-lungescanninger som et hurtigt diagnostisk værktøj til at søge COVID-19-infektion hos patienter, der kommer til hospitalet og kræver medicinsk billeddannelse.
se “AI Screener milliarder af molekyler til Koronavirusbehandlinger”
Skrivning i celle, forskere ved Macau University of Science and Technology brugte 532,000 CT-scanninger fra 3,777 patienter i Kina til at træne deres AI-værktøjer med fokus på kontrollæsioner set i COVID-19 patient lunger. I pilotundersøgelser på flere kinesiske hospitaler diagnosticerede AI-modellen korrekt lungebetændelse forårsaget af coronavirus mindst 85 procent af tiden, da den blev anvendt på et datasæt på 417 patienter i fire separate kohorter. COVID lungebetændelse blev fejldiagnosticeret som ikke-COVID lungebetændelse i 7-12 procent af tilfældene.
” denne gruppe gør et enormt stykke arbejde med et dybt dyk på ekstern validering: de har dette store datasæt fra Kina, og de så på, hvordan det fungerede på mange hospitaler,” siger Matthæus Lungren, en radiolog ved Stanford University Medical Center, der ikke var involveret i nogen af studierne.
genkendelse af et meget lille antal COVID-19 lungebetændelsestilfælde ud af et stort antal ikke-specifikke generelle lungebetændelsestilfælde er vigtigt for et diagnostisk værktøj, når SARS-CoV-2, coronavirus bag pandemien, bliver endemisk og ikke længere er den førende årsag til lungebetændelse, forklarer Lungren.
“et stort datasæt med en forskellig datakilde er afgørende for at opnå robuste og generaliserbare konklusioner i AI-baserede diagnoser,” skriver Cell coauthor Kang Jang, professor i medicin ved Macau University of Science and Technology, i en e-mail til forskeren. “Et af de mest udfordrende spørgsmål inden for AI-applikation inden for sundhedsvæsenet er dårlig Reproducerbarhed.”
en udfordring ved at bruge CT-scanninger til COVID-19-diagnose er, at mange mennesker inficeret med SARS-CoV-2 oplever alvorlige kliniske symptomer som hoste og feber, men har ingen biomarkører synlige i CT-scanningerne. Hvis sundhedspersonale forsøger at få en nøjagtig COVID-19-diagnose hurtigere end standard PCR-metoder, er “kun at basere på billeddannelse muligvis ikke nok,” siger Yang Yang, en radiolog ved Mount Sinai Hospital.
Yangs team trænede også sin COVID-19 AI-model på CT-brystscanninger og offentliggjorde resultaterne i Nature Medicine. Denne model integrerede resultater af CT-scanninger med kliniske fund såsom patienters alder, uanset om de havde hoste eller feber, og deres antal hvide blodlegemer, hvilket skabte det, forfatterne kaldte en “fusionsmodel” til diagnosticering af patienter med COVID-19 baseret på kliniske data og billeddannelsesdata. Deres fusionsmodel diagnosticerede COVID-19 med 83,5 procent nøjagtighed i et testsæt på 279 patienter. Når man ser på det samme sæt billeder, diagnosticerede en senior thoracic radiolog COVID-19 med 84,6 procent nøjagtighed.
” der er aspekter ved deres metode, som jeg synes er meget vigtige for dette felt generelt, ” siger Lungren, nemlig mange AI-diagnostiske modeller baseret på billeddannelsesdata ville drage fordel af input af yderligere kliniske data.
Jang siger, at mindst 10 store hospitaler i Kina og flere i USA, Indien, Irak og Ecuador bruger sin model til at diagnosticere patienter, der mistænkes for at have COVID-19 lungebetændelse. Hans team gjorde sine algoritmer og træningsdatasæt offentligt tilgængelige for andre forskere at bruge.
K. Jang et al., “Klinisk anvendeligt AI-system til nøjagtig diagnose, kvantitative målinger og prognose for COVID-19 lungebetændelse ved hjælp af computertomografi,” celle, doi:10.1016/j.celle.2020.04.045, 2020.
