Представьте себе пациента, который поступает в отделение неотложной помощи с тяжелой пневмонией. Вы (медсестра, врач) беспокоитесь, что это Covid-19. Вы берете мазок из носа и отправляете его на анализ. Результаты будут получены примерно через 12–24 часа в зависимости от того, где находится ваша больница. Во время этого долгого ожидания из соображений осторожности пациент помещается в карантин, используя ценное пространство, и при каждом взаимодействии необходимо надевать маску N95, используя, возможно, еще более ценные средства индивидуальной защиты. Такое долгое ожидание является неэффективным, и поставщикам медицинских услуг нужна информация для поддержки принятия решений.

Я прочитал ряд статей, в которых обсуждается, как ИИ может точно дифференцировать пневмонию при Covid-19 от других форм пневмонии на рентгенограмме грудной клетки (CXR). Цель этого поста - попытаться воспроизвести этот вывод. Если это правда, то предоставление пациенту рентгенографии и ее анализ с помощью искусственного интеллекта может помочь поставщикам медицинских услуг идентифицировать Covid-19 с большей скоростью и способствовать надлежащему использованию ресурсов.

Набор данных:

Набор данных состоял из 73 задне-передних (PA) рентгенограмм грудной клетки от пациентов с Covid-19 и 73 рентгеновских снимков грудной клетки от пациентов с нековидной пневмонией, всего 146 изображений.

Изображения Covid-19 были взяты из ряда источников, включая итальянский веб-сайт радиологии, на котором обсуждаются 60 случаев Covid-19 и исследовательские статьи, найденные на Pubmed. Изображения нековидной пневмонии были взяты из обучающих изображений в программе RSNA Pneumonia Detection Challenge на Kaggle. Обратите внимание, что на Kaggle есть еще один красиво обозначенный набор данных о пневмонии, но я считаю, что его использование в этой настройке будет ошибкой из-за его педиатрической популяции. Рентгенограммы взрослых и детей довольно легко различимы, особенно по рисунку грудной клетки, и, возможно, алгоритм будет различать классы, использующие эту особенность, а не классы, присущие болезни.

Давайте посмотрим на некоторые образцы данных.

Как видите, два класса очень похожи.

Передача обучения ResNet34:

Трансферное обучение использовалось для адаптации к небольшому набору данных. ResNet34 был выбран в качестве основы архитектуры модели и обучен в течение 7 эпох со следующими результатами:

Точность проверки составляет около 86%.

Матрица неточностей для набора проверки показывает, что только 4 ошибки были сделаны на 29 изображениях!

Это очень хорошо для такого небольшого набора данных.

При более внимательном рассмотрении ошибок, ниже и слева приведен пример случая пневмонии, модель определенно была Covid-19, а справа - случай Covid-19, модель наверняка была пневмонией:

Затем попробуем выполнить точную настройку.

Точная настройка:

Мы размораживаем слои сети и позволяем им изменяться с очень маленькими градиентами. Это позволяет обновлять параметры, чтобы они лучше соответствовали набору данных, и при этом, надеюсь, предотвращает переоснащение.

Мы настраиваемся на 2 эпохи, и наша точность повышается с 86% до 89,7%!

В этой статье мы создали прототип сверточной нейронной сети, которая может отличить Covid-19 от старой доброй пневмонии на рентгеновском снимке грудной клетки с точностью, приближающейся к 90%!

Что наиболее впечатляет, это было сделано с очень небольшим количеством данных, всего 146 изображений. Я подозреваю, что с 500 или 1000 изображений точность может превысить 95%.

Небольшой набор данных - самая большая слабость этого исследования, поскольку, вероятно, происходит некоторое переоснащение. Учитывая нехватку данных, этого можно избежать. Более того, пока потеря валидации больше, чем потеря тренировки, мы не можем чрезмерно переобучать.

Были опубликованы исследования, показывающие, что ИИ может отличить Covid-19 от пневмонии. Используя компьютерную томографию, которая кажется более способной к визуализации Covid-19, чем CXR, исследователи разработали систему искусственного интеллекта, которая может дифференцировать Covid-19 от пневмонии с чувствительностью 90% и специфичностью 96%!

Это очень впечатляющие результаты, которые, как мы надеемся, побудят медицинское сообщество рассматривать радиологические изображения в сочетании с ИИ в качестве потенциального метода диагностики Covid-19 до тех пор, пока более быстрые методы диагностики не станут широко распространены.

Как обычно, оставляйте свои мысли в комментариях. Спасибо.