Artificiell intelligenss roll och utmaning i ny CT-diagnos för lunginflammation av coronavirus

För mer information:ali.ma@wecistanche.com

Höjdpunkter

Den här artikeln överväger nyskapande vetenskapens och normativiteten baserad på metodkraven för en klinisk prövning, genom att betrakta utvecklingsprocessen för artificiell intelligens (AI) som datoriserad tomografi (CT) bilddiagnostiska forskningsstudier. Uppsatsen tar också upp fyra sätt att främja AI-diagnostiksprogramvara som hjälper till med faktiska kliniska problem och ger patienter verkliga kliniska fördelar.

Klicka för att cistanche biverkningar och Cistanche för immunitet

Abstrakt

I början av 2020, den nya coronavirus-lunginflammationen(COVID-19)bröt ut i Kina. Många medicinskt relaterade produkter har snabbt dykt upp inom artificiell intelligens (AI), som har spelat en viktig roll i kampen mot pandemin. Den här artikeln sammanfattar den aktuella forsknings- och tillämpningsstatusen för AI inom radiologi och pandemikontroll och analyserar de vanliga problemen med AI-teknologi i forskningen omCOVID-19diagnos. Det inkluderar främst tankar om klinisk studiedesign, svårigheter med forskningsimplementering och utmaningar i tillförlitlighetsverifieringen av AI-modeller. Som svar på ovanstående svårigheter föreslås förslag för att optimera vetenskapen och kvaliteten på AI-diagnostisk forskning.

Nyckelord:COVID-19pandemi, Artificiell intelligens, Datortomografi, Klinisk forskning

Den viktiga rollen för diversifierade produkter med artificiell intelligens i anti-epidemi

I början av 2020 bröt utbrottet avny lunginflammation av coronavirus(Coronavirus, covid-19) satte genomförandet av sjukdomsförebyggande och kontroll i en stor utmaning. Till exempel hur man snabbt mäter allas kroppstemperatur i en trafikplats med stort trafikflöde; hur man snabbt kan sortera bort potentiella effektiva läkemedel bland enorma möjligheter; hur man screenar misstänkta fall i en stor befolkning; hur man hanterar bristen på medicinsk personal och korsinfektion under behandlingen av diagnostiserade patienter. Artificiell intelligens (Al, som ett av de mest populära områdena under de senaste åren, löser några av problemen genom tillämpning av nya AI-produkter, vilket förbättrar effektiviteten för förebyggande, kontroll och diagnos av sjukdomar.

AI hjälper till att övervaka och simulera epidemiutvecklingstrenden genom att analysera spåren av människors aktivitet, för att ge tidig varning till potentiella spridningsområden. AI kan också analysera spridningsvägarna, lokalisera de diagnostiska patienternas nära kontakter och snabbt ta karantän och behandling. Den infraröda värmekameran med AI-bildigenkänningsteknik utför feberdetektering på offentliga platser för att lokalisera personer med onormal kroppstemperatur[1]. I utvecklingen av nya läkemedel hjälper AI att screena de mest potenta antivirala och antiinflammatoriska läkemedlen från hundratals läkemedel för vidareutveckling [2]. I diagnosen och behandlingen antogs modellen Deep Neural Network (DNN) för att känna igen datortomografi (CT) grafiska data ("CT plus AI) för att hjälpa läkare att snabbt ställa diagnoser.

Utmaningar som "CT plus AI" står inför när det gäller att diagnostisera covid-19

Tillämpningen av artificiell intelligens inom radiologi har väckt särskild uppmärksamhet. DNN har använts i stor utsträckning i olika medicinska skanningsteknologier, till exempel diagnos av lunginflammation på digital röntgen av bröstet (DR)[3-5], upptäckt av cancerösa lungknölar [6] och tuberkulos [7], upptäckt av frakturer, och förutsägelse av benålder genom röntgen [8-10].undersökning och utvärdering av bröströntgen [11,12]; upptäckt och diagnos av lungknölar [13,14], lunginflammation [15], levermassor [16], pankreascancer[17] och kotkompressionsfrakturer [18] på CT-bilder; skisserar ventrikeln i hjärtmagnetisk resonanstomografi [19]. En ultraljudsundersökning, AI-modellen kan utföra diagnos och kvantitativ analys av hjärtavbildning [20.21]. samt upptäckt av ultraljudsknölar i sköldkörteln och diagnos av benigna och maligna [22,23](Tabell 1).

Vid diagnos av ny coronavirus-lunginflammation, är CT, DR och ultraljud vanligt förekommande avbildningsundersökningstekniker, i respektive processer och scenarier enligt deras egna egenskaper. CT är prioritet i det tidiga skedet av lesionsdetektering bland dem. Eftersom "COVID-19 Pneumonia Diagnosis and Treatment Program (Trial Version 5)" släpps, ingår även CT-diagnostik i de kliniska diagnosstandarderna för den nya COVID-19 [24]. Diagnosen av en enskild patient kräver dock manuell observation av mer än hundra CT-bilder. Med ett stort antal kliniska behov lider läkare av en stor arbetsbelastning med låg effektivitet. Den mjukvaruaktiverade AI-tekniken kan lösa dessa kliniska flaskhalsar. CT-inspektion har blivit den föredragna avbildningslösningen för den nuvarande lunginflammationsdiagnostiska AI-mjukvaran på grund av dess höga noggrannhet, enhetliga standarder och djupa ackumulering av industridata och teknik [27. I praktiska tillämpningar kan diagnostiska modeller identifiera lunginflammationsbilden genom en specifik algoritm för att förutsäga om den är sjuk [27-29]. Den kvantitativa lunganalysmodellen kan detektera platsen för lesionen, räkna antalet lesioner, beskriva omfattningen av lesionen, beräkna infektionshastigheten för lunglesionsområdet och samarbeta med uppföljningsmjukvaran för att hantera sjukdomsprogression och bedöma prognos [28]. Med hjälp av mjukvara minskar läkarnas arbetsbörda, och snabbheten och noggrannheten för diagnos och behandling förbättras, men det är viktigt att betona några vanliga problem i forskningen om Al-stödd ny CT-diagnos av coronavirus lunginflammation, enligt följande:

Studera design

I den nya CT-diagnosen för covid-19 lunginflammation bör modelldesignen övervägas på olika sätt för att anpassa olika diagnos- och behandlingsfaser i det mest inledande skedet av utvecklingen av den diagnostiska modellen "CT plus AI". Till exempel bör kontrollgruppen som används för att träna tidig screeningmodell skiljas från den grupp som valts i antidiastole: 1)Beslut i det tidiga screeningsproblemet föredrar hög känslighet för att separera misstänkta fall från den friska populationen, därför bör kontrollfallsproverna tränade av AI-modellen ska vara CT-bilder av friska lungor mot bilder av ohälsosamma lungor. De ohälsosamma lungfallen består av flera typer av misstänkta lunginflammationer för att säkerställa modellens prestanda för en låg diagnosfrekvens. 2) I antidiastolescenariot är förmågan till hög specificitet väsentlig för att skilja den nya coronavirus-lunginflammationen från de lunginflammationer som orsakas av andra infektioner. Mer konkret, givet de verkliga kliniska omständigheterna, bör den ideala kontrolldesignen jämföra två grupper med liknande kliniska symtom eller epidemiologisk historia som feber, hosta, avvikelser i CT-lungbilden men negativa och positiva resultat i nukleinsyratest (eller andra diagnostiska guldstandarder) . En sådan design var avsedd att befästa mer distinkta radiomiska egenskaper hos ny coronavirus-lunginflammation. Dessutom måste det utvärderingsmått som valts för att bedöma modellens prestanda noggrant övervägas. Till exempel, när man utvärderar en "CT plus AI" diagnostisk modell, är noggrannhetsförhållandet inte en korrekt indikator som helt kan bedöma modellen. Obalansen mellan positiva och negativa prover av testdata skulle leda till ett problem med överskattning av prestanda (t.ex. en testuppsättning bestående av 96 positiva och 4 negativa fall kan locka en naiv modell som ger en hög noggrannhet upp till 96 procent, även om modellen endast berätta det positiva).AI diagnostisk programvara tillämpas i specifika kliniska problem för bättre kapacitet och effektivitet. Före genomförandet måste studiemålen förtydligas och klargöras för de specifika kliniska problemen. Då bör en metodikdesign på ett vetenskapligt sätt bedrivas. En fullständig forskningsplan bör också utformas. Studieobjekt, regeln för inkluderande-exklusivt och mätvärden för effektutvärdering bör beaktas fullt ut. Ledande med vetenskaplig design kan risken för bias minimeras, högkvalitativ forskningsbevis kan erhållas och tillförlitlig vägledning kan tillhandahållas för klinisk tillämpning.

Forskningsimplementering

Träningsprocessen för artificiell intelligens DNN-modellen är rent datadriven. Den förlitar sig på ett stort antal exakt märkta bildprover under träningsfasen. Ju större mängd data, desto bättre är modellens diskriminerande prestanda. Diagnossystemet för diabetisk retinopati, som en medicinsk utrustning för AI, utvecklat av den amerikanska teknikjätten Google har klarat den andra fasen av kliniska prövningar. Utbildningsprocessen för systemet använder 130 miljoner bilder av 10,000 fall, vilket är nära nivån på medicinska experter [30]. Däremot, även om de utsedda medicinska enheterna ackumulerat nya CT-bilddata från coronaviruset i samarbete med tekniktillverkare för mjukvaruutbildning och utveckling i epidemin, är den totala mängden relativt liten och fördelningen relativt spridd, plus den knappa resursen av experter på CT-bild märkning i det inledande skedet, vilket resulterar i att endast en liten datauppsättning är tillgänglig för modellutbildning och svår att garantera märkningskvalitet. Otillräckliga träningsdata kan göra att DNN-modellen "kommer ihåg" information i CT-bilder som inte är relevant för den faktiska diagnosen på grund av dess strukturella egenskaper med stark uttryckskraft, vilket orsakar överanpassning och minskar förmågan att bedöma framtida data. För att uppnå en tillräcklig träningseffekt under förutsättning av mindre datavolym är det ofta nödvändigt att utforma en mer komplex intern modellstruktur och modellträningsfärdigheter, vilket också ökar svårigheten att implementera.

Övervägande av den nya exceptionalismen med covid-19

Baserat på klinisk erfarenhet har CT-bilden av bröstkorgen av ny lunginflammation i coronavirus karaktären av en "liknande bild men annan sjukdom". Det är svårt att särskilja med mänskliga ögon vilket ökar svårigheten vid antidiastoli. Svårigheten är mer framträdande om utbildningsurvalet är litet. Dessutom, som ett av diagnoskriterierna för den nya COVID-19, visar resultaten av nukleinsyrakitet hög specificitet men låg känslighet. Om den används för att märka träningsprover som guldstandarden, skulle de faktiska positiva proverna tendera att markeras som negativa felaktigt. Träning med felaktigt märkta data kommer direkt att minska modellens prestanda.

Verifiering av tillförlitligheten av AI-diagnos

Det är inte tillförlitligt att utvärdera diagnoseffekten endast genom det interna datatestet efter implementeringen av AI-diagnosmodellen. Konfoundern under data som orsakas av olika CT-utrustningsmodeller, geografiska regioner, faktiska kliniska miljöer, virusvariationer och andra faktorer kan påverka det diagnostiska resultatet av modellen. Modellen kan knappt ha förmågan att hantera dessa störande faktorer med begränsade interna datatester. När AI-diagnostikmjukvaran tas i klinisk användning utan fullständig validering, kan den bara upprepas genom offlineutbildning och optimering eftersom den inte kan förbättra diagnos- och behandlingsnivån genom att fortsätta att lära sig nya fall som mänskliga läkare. Jämfört med den felaktiga diagnosen av en mänsklig läkare, kommer de potentiella iatrogena riskerna som orsakas av datorprogramvarans begränsningar att vara mer framträdande. Enligt den nya versionen av "Medical Device Classification Catalog" (CFDA 2017 No.143), bör AI-diagnostikprogramvara, som en medicinsk utrustning, fortsätta med en systematisk revision och omfattande simulering, även framtida kliniska prövningar, för att fullständigt verifiera noggrannheten och tillförlitligheten hos den kliniska diagnosen. Den artificiella intelligensgruppen vid National Institute of Food and Drug Control (NIFDC) etablerade ett säkerhetssystem för AI-medicinsk utrustning och fastställde testmetoden baserad på standarddatauppsättningsverifiering [30]. För närvarande finns det ingen standarddatabas för den nya sjukdomen COVID-19, så det är svårt att verifiera den höga repeterbarhetsnoggrannheten hos den befintliga AI-programvaran i de flesta medicinska skanningsdiagnoser i den verkliga världen.

Förbättra kvaliteten och den vetenskapliga standardiseringen av diagnosmodellen "CT plus AI".

Tillämpningen av artificiell intelligens i den medicinska industrin är fortfarande i ett tidigt skede i Kina, samtidigt som den har fått stor uppmärksamhet och en snabb utveckling de senaste åren, vilket till och med har inkluderats i den nationella strategiska planen [30]. Många produkter med artificiell intelligens har visat lovande framtidsutsikter inom det medicinska området. I nästa steg, för kommersialisering, skulle branschens fokus ligga på designforskning vetenskapligt och standardisera implementering och verifieringsprocessen; utveckla artificiell intelligens inom den medicinska industrin på ett hälsosamt sätt, standardisera hanteringen av Al-assisterade diagnostiska produkter enligt specifikationen för New Medical Apparatus. Även om många AI-produkter som dök upp under epidemin har gjort det lättare för läkare att diagnostisera och behandla sjukdomar, behöver den övergripande vetenskapliga rigoriteten och kvalitetstillförlitligheten fortfarande förbättras och perfektioneras.

Förbättra studiedesignen för AI-teknik i kliniska problem

För närvarande använder den mesta forskningen om den nya covid-19 CT-assisterade diagnosen retrospektiva fallkontrollmetoder. En av fördelarna är att snabbt få olika information från begränsade forskningsämnen, samtidigt som det finns risk för partiskhet. Prover i fall-kontrollstudier bör tas från totala diagnostiska fall eller slumpmässigt väljas från dem, men på grund av begränsade källor kan proverna inte representera alla patienter. Särskild kontrollprovtagning kan användas för att minska biasen och öka bevisnivån i enlighet med den faktiska situationen, till exempel genom att välja fall från samma medicinska institution, använda två eller flera kontrollgrupper och matcha variabler. Vid bedömningen av den diagnostiska modellens prestanda kan den sanna positiva frekvensen och falska positiva frekvensdiagrammet (mottagarens funktionskarakteristikkurva (ROC-kurva)) användas för att jämföra tolkningen av AI-algoritmen med läkarutvärderingen, eller arean under kurvan (AUC) som referensen för modellens prestanda. Trots det är det fortfarande svårt att fullständigt förklara de kliniska fördelarna med enbart jämförelse eller indikatorer, andra kliniska beslutsfattande faktorer måste i själva verket också beaktas för en omfattande utvärdering.

Förbättra etikettens noggrannhet, utöka antalet och dimensionen av träningsprover under modellimplementeringsprocessen

I det primära skedet har modellerna som tränats med ett litet antal CT-bildprover redan visat en god trend. Med tiden skulle fler fall förbättra ett bättre basstöd i modellträning. Ju fler bilder man lär sig, desto större potential att övervinna svårigheten med "samma bilder, olika fall" i covid-19-diagnosen. Som svar på denna situation, baserat på data från CT-bild, kan modellen också utöka informationsområdet genom att kombinera patientens kliniska signaler, epidemiologi, laboratorieundersökning och andra data för att heltäckande bedöma sjukdomen och förbättra diagnosnoggrannheten. Förbättringen av provmärkningsnoggrannheten kan uppnås genom optimering av guldstandardstrategin. Applicera flera intervall av nukleinsyratest för att kompensera för möjligheten av ett enda falskt-negativt resultat, eller korsverifiera resultatet med hänvisning till andra diagnostiska kit, såsom IgM/lgG-antikroppsdetektion.

Etablera en ny standardtestdatabas för corona-lunginflammation CT

Efter implementering och intern verifiering av AI-modellering krävs extern tillförlitlighetsverifiering genom ett standarddatabastestsystem. När det gäller det etablerade standarddatabassystemet för ögonbottensjukdomar och lungknölar kommer sjukdomsenheterna från olika medicinska institutioner över hela landet, inklusive underutvecklade områden. Uppgifterna innehåller en mängd olika specifikationer och är kompatibel med enheter från olika modeller och parametrar. Läkare som deltar i märkningen av testdata har erfarenhet av medicinsk forskning inom AI och är välutbildade. En särskild forskargrupp kommer att bildas av läkare med hög noggrannhet, stabilitet, plus berikad klinisk erfarenhet. Standardtestdatauppsättningen raderar företags- och maskinspår och kontrollerar strikt databias för att säkerställa rättvis och objektiv prestandabedömning i en sluten miljö [30]. Sammanfattningsvis är det svårt att upprätta en ny COVID-19 CT-standarddatabas genom att enbart förlita sig på enskilda institutioner. Nationen bör ge motsvarande stöd under epidemins särskilda period. Till exempel, snabbt etablera en ny COVID-19 speciell artificiell intelligensgrupp för att vägleda och samordna samarbetet och resursdelningen mellan alla parter över hela landet, och gemensamt formulera en speciell sjukdomstestdatabas och andra verifieringsstandarder.

Standardisera datahanteringen av medicinsk forskning med artificiell intelligens

Den 3 juli 2019 släppte Center for Medical Device Evaluation "Key Points of Deep Learning Assisted Decision-Making Medical Device Software Review" (nyckelpunkter). Den tillhandahåller teknisk vägledning för AI-medicinska produkter registrerade som tredje typ av medicinsk utrustning och eliminerar policyflaskhalsen före produktlanseringen. Det finns dock inga lagliga begränsningar för etik och datasäkerhet. Artificiell intelligens om medicinsk forskning måste överensstämma med etiken och skydda säkerheten och integriteten för individuella uppgifter. Om nationella eller regionala lagar och förordningar om integritetsskydd för patienter kan formuleras, samtidigt som en standardiserad datahanteringsplattform för forskning kan upprättas, kan ett forskningsprojekt sedan effektivt granskas för att snabbt upptäcka potentiella risker i design- och implementeringsprocessen. Vägledning för datasäkerhet kommer att implementeras för att undvika risken för att hindra och förstöra människors hälsa.

Referenser:

1 zc [Internet]. Hur man använder AI för att upptäcka och bekämpa nytt coronavirus [citerad 2020 20 mars].

2. Huang Q[Internet]. Akademikern Li Lanjuans team släppte: dessa två läkemedel kan effektivt hämma det nya coronaviruset [citerat 2020 20 mars].

3. Wang XS, Peng YF, Lu L, et al. ChestX-Ray8: Bröströntgendatabas i sjukhusskala och riktmärken för svagt övervakad klassificering och lokalisering av vanliga thoraxsjukdomar. 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, 2017, s. 3462-3471.

4. Li Z, Wang C, Han M, et al. Identifiering och lokalisering av thoraxsjukdom med begränsad övervakning. arXiv e-prints, 2017. arXiv:1711.06373.

5. Singh R, Kalra MK, Nitiwarangkul C, et al. Djup inlärning i bröströntgen: Detektion av fynd och förekomst av förändring. PLoS One. 2018;13(10):e0204155. Publicerad 2018 4 okt.

6. Nam JG, Park S, Hwang EJ, et al. Utveckling och validering av djupinlärningsbaserad automatisk detektionsalgoritm för maligna lungknölar på bröströntgenbilder. Radiologi, 2019.

7. Lakhani P, Sundaram B. Deep Learning at Chest Radiography: Automatiserad klassificering av pulmonell tuberkulos genom att använda konvolutionella neurala nätverk. Radiologi. 2017;284(2):574–582.

8. Gale W, Oakden-Rayner L, Carneiro G, et al. Upptäcka höftfrakturer med prestanda på radiolognivå med hjälp av djupa neurala nätverk. arXiv e-prints, 2017. arXiv:1711.06504.

9. Rajpurkar P, Irvin J, Bagul A, et al. MURA: Stor datauppsättning för avvikelsedetektion i muskuloskeletala röntgenbilder. arXiv e-prints, 2017. arXiv:1712.06957.

10. Ridley EL[Internet]. Djup inlärning visar lovande för benåldersbedömning [citerad 2017 15 november].

11. Yee KM[Internet]. AI-algoritmen matchar radiologer i bröstscreeningsundersökningar [citerad 2017 13 december].

12. Lehman CD, Yala A, Schuster T, et al. Mammografisk bröstdensitetsbedömning med hjälp av djupinlärning: klinisk implementering. Radiologi, 2019. 290(1): sid. 52-58.

13. Ridley EL. Algoritmen för djupinlärning kan stratifiera risken för lungknutor [citerad 2017 26 november].

14. Ali I, Hart GR, Gunabushanam G, et al. Lungknöldetektering via Deep Reinforcement Learning. Front Oncol. 2018;8:108. Publicerad 2018 apr 16. doi:10.3389/fonc.2018.00108.

15. Walsh SLF, Calandriello L, Silva M, et al. Djup inlärning för att klassificera fibrotisk lungsjukdom på högupplöst datortomografi: en fall-kohortstudie. Lancet Respir Med. 2018;6(11):837–845.

16. Yasaka K, Akai H, Abe O, et al. Deep Learning med Convolutional Neural Network for differentiation of levermass at Dynamic Contrast-enhanced CT: A Preliminary Study. Radiologi. 2018;286(3):887–896.

17. Liu FZ, Xie LX, Xia YD, et al. Gemensam formrepresentation och klassificering för att detektera PDAC. arXiv e-prints, 2018. arXiv:1804.10684.

18. Bar A, Wolf L, Amitai OB, et al. Upptäckt av kompressionsfrakturer på CT. arXiv e-prints, 2017. arXiv:1706.01671.

19. Lieman-Sifry J, Le M, Lau F, et al. FastVentricle: Hjärtsegmentering med ENet. arXiv e-prints, 2017. arXiv:1704.04296.

20. Madani A, Arnaout R, Mofrad M, et al. Snabb och exakt visningsklassificering av ekokardiogram med hjälp av djupinlärning. npj Digital Med 1, 6 (2018).

21. Zhang J, Gajjala S, Agrawal P, et al. Helautomatisk ekokardiogramtolkning i klinisk praxis. Upplaga, 2018. 138(16): sid. 1623-1635.

22. Li XC, Zhang S, Zhang Q, et al. Diagnos av sköldkörtelcancer med djupa konvolutionella neurala nätverksmodeller tillämpade på sonografiska bilder: en retrospektiv, multikohort, diagnostisk studie. Lancet Oncol. 2019;20(2):193–201. doi:10.1016/S1470-2045(18)30762-9.

23. Li HL, Weng J, Shi YJ, et al. En förbättrad djupinlärningsmetod för upptäckt av sköldkörtelpapillär cancer i ultraljudsbilder. Sci Rep. 2018;8(1):6600. Publicerad 2018 26 april.

24. Office of National Health Commission [Internet]. Diagnos och behandling av ny coronavirus-lunginflammation (provversion femte) [citerad 2020 februari 04].

25. Alibaba DAMO Academy [Internet]. Vad tycker du om den nya diagnostikteknologin för lunginflammation med CT-avbildning av AI som utvecklats av Ali Damo Academy, med en genomsnittlig igenkänningsgrad på 96 procent på mindre än 20 sekunder? [ 2020-02-19].

26. United avbildning. Att erövra "epidemin" genombrottet - uAI nytt intelligent assistentanalyssystem för lunginflammation för coronavirus lanseras officiellt [citerat 2020 10 februari]

27. Gozes O, Frid-Adar M, Greenspan H, et al. Snabb AI-utvecklingscykel för Coronavirus (COVID-19)-pandemin: initiala resultat för automatisk upptäckt och patientövervakning med hjälp av Deep Learning CT-bildanalys. ArXiv abs/2003.05037 (2020): n. pag.

28. Huang L, Han R, Ai T, et al. Serial Quantitative Chest CT Assessment of COVID-19: Deep-Learning Approach. Röntgen: Kardiothoraxavbildning 2020 2:2.

29. Li L, Qin LX, Xu ZG, et al. Artificiell intelligens skiljer covid-19 från community-förvärvad lunginflammation på bröst-CT. Radiologi. 2020;200905.

30. Jin YH, Qiu M J. Medicinsk vitbok om artificiell intelligens i Kina. Shanghai: Shanghai Jiao Tong University Artificial Intelligence Institute, 2019. (kinesiska)