ovan : ISTOCK.COM, SUDOK1
även om den första vågen av SARS-CoV-2-pandemin har minskat i många länder, vill vårdgivare fortfarande identifiera så många COVID-19-patienter som möjligt och innehålla sjukdomen. Snabb och noggrann diagnos är särskilt viktig när intet ont anande patienter med koronavirusinfektion kommer till sjukhuset med hälsoklagomål men ännu inte visar symtom på COVID-19.
nasala svabbprover analyserade med RT-PCR rekommenderas för närvarande för diagnos av COVID-19, Men leveransbrist, en väntetid på upp till två dagar för resultat och en falsk negativ hastighet så hög som 1 av 5 medelalternativ, storskaliga COVID-19-screeningsverktyg söks fortfarande.
SARS-CoV-2 är känt för att skada lungvävnad och på ett tydligt sätt som läkare nu försöker utnyttja för nya diagnostiska metoder. Många COVID-19-patienter utvecklar lunginflammation, vilket kan utvecklas till andningssvikt och ibland dödsfall. COVID-19 lunginflammation skiljer sig från vanligare former av bakteriell lunginflammation, och skillnaderna dyker upp i CT-skanningar i bröstet. Mest slående är molniga lesionsmönster som liknar skärvor av glas eller retikulära linjer inom de ogenomskinliga lesionerna som ser ut som oregelbundna beläggningsplattor, som förekommer runt periferierna i båda lungorna. Lesioner från bakteriell lunginflammation är vanligtvis koncentrerade i en lunga och kan inte likna glasskärvor.
i Kina används CT-skanningar redan som ett COVID-19-diagnostiskt verktyg när en patient anländer till en vårdinställning med feber och en misstänkt infektion, även om detta tillvägagångssätt inte har antagits allmänt i USA. Två studier, publicerade i Nature Medicine and Cell, främjar denna uppfattning genom att använda artificiell intelligens (AI) utbildad på CT-lungskanningar som ett snabbt diagnostiskt verktyg för att leta efter COVID-19-infektion hos patienter som kommer till sjukhuset och kräver medicinsk bildbehandling.
se ”AI screenar miljarder molekyler för Koronavirusbehandlingar”
skriva i Cell, forskare vid Macau University of Science and Technology använde 532 000 CT-skanningar från 3 777 patienter i Kina för att träna sina AI-verktyg, med fokus på de kontrollampa lesioner som ses i COVID-19 patientlungor. I pilotstudier vid flera kinesiska sjukhus diagnostiserade AI-modellen korrekt lunginflammation orsakad av coronavirus minst 85 procent av tiden då den applicerades på en dataset på 417 patienter i fyra separata kohorter. COVID lunginflammation diagnostiserades fel som icke-COVID lunginflammation i 7-12 procent av fallen.
”denna grupp gör ett fantastiskt jobb med ett djupdyk på extern validering: de har denna stora dataset från Kina och de tittade på hur det fungerade på många sjukhus”, säger Matthew Lungren, en radiolog vid Stanford University Medical Center som inte var inblandad i någon studie.
att erkänna ett mycket litet antal COVID-19-lunginflammationsfall av ett stort antal icke-specifika allmänna lunginflammationsfall är viktigt för ett diagnostiskt verktyg när SARS-CoV-2, koronaviruset bakom pandemin, blir endemiskt och inte längre är den främsta orsaken till lunginflammation, förklarar Lungren.
”en stor dataset med en mångsidig datakälla är avgörande för att uppnå robusta och generaliserbara slutsatser i AI-baserade diagnoser”, skriver Cellmedförfattare Kang Zhang, professor i medicin vid Macau University of Science and Technology, i ett e-postmeddelande till forskaren. ”En av de mest utmanande frågorna i AI-applikation inom vården är dålig Reproducerbarhet.”
en utmaning med att använda CT-skanningar för COVID-19-diagnos är att många människor smittade med SARS-CoV-2 upplever allvarliga kliniska symtom som hosta och feber, men har inga biomarkörer synliga i CT-skanningarna. Om vårdpersonal försöker få en korrekt COVID-19-diagnos snabbare än vanliga PCR-metoder, ”bara basera på avbildning kanske inte räcker”, säger Yang Yang, en radiolog vid Mount Sinai Hospital.
Yangs team tränade också sin COVID-19 AI-modell på CT-bröstskanningar och publicerade resultaten i Nature Medicine. Denna modell integrerade resultaten av CT-skanningarna med kliniska fynd som patienternas åldrar, oavsett om de hade hosta eller feber och deras vita blodkroppar, vilket skapade vad författarna kallade en ”fusionsmodell” för att diagnostisera patienter med COVID-19 baserat på kliniska och bilddata. Deras fusionsmodell diagnostiserade COVID-19 med 83,5 procent noggrannhet i en testuppsättning på 279 patienter. När man tittade på samma uppsättning bilder diagnostiserade en senior thoraxradiolog COVID-19 med 84,6 procent noggrannhet.
”det finns aspekter på deras metodik som jag tycker är mycket viktiga för detta område i allmänhet”, säger Lungren, nämligen att många AI-diagnostiska modeller baserade på bilddata skulle dra nytta av inmatningen av ytterligare kliniska data.
Zhang säger att minst 10 stora sjukhus i Kina, och flera i USA, Indien, Irak och Ecuador använder sin modell för att diagnostisera patienter som misstänks ha COVID-19 lunginflammation. Hans team gjorde sina algoritmer och träningsdataset offentligt tillgängliga för andra forskare att använda.
K. Zhang et al., ”Kliniskt tillämpligt AI-system för noggrann diagnos, kvantitativa mätningar och prognos för COVID-19 lunginflammation med datortomografi,” Cell, doi:10.1016/j.cell.2020.04.045, 2020.
