Искусственный интеллект предсказывает прогноз у пациентов с COVID-19

В недавнем исследовании, опубликованном в Journal of Medical Imaging и на портале Medical Xpress, команда исследователей из отделения радиологии Чикагского университета разработала модель искусственного интеллекта (ИИ), основанную на глубоком обучении, которая может предсказать, потребуется ли пациенту интенсивная терапия, анализируя их рентгеновские снимки¹.

Пандемия COVID-19 нанесла огромный удар по системам здравоохранения и высветила их основные недостатки. По состоянию на июнь 2023 года во всем мире было зарегистрировано более 760 миллионов подтвержденных случаев COVID-19, при этом почти 7 миллионов человек умерли. Во время крупных вспышек COVID-19 отделения интенсивной терапии (ОИТ) больниц часто работали на полную мощность для обеспечения инвазивной искусственной вентиляции легких пациентам, у которых был диагностирован положительный результат на COVID-19. При этом ОИТ часто работали в условиях дефицита персонала и оборудования для интубации.

Одним из способов смягчения таких проблем является точное определение прогноза пациентов с положительным результатом теста на COVID-19. Врачи обычно используют рентгенографию грудной клетки (ОГК) для оценки состояния пациентов. Анализируя признаки пневмонии на этих снимках, они могут определить, потребуется ли пациенту в ближайшее время госпитализация в ОИТ. В свою очередь, это может помочь в оптимальном распределении ресурсов больницы. К сожалению, этот процесс трудоемок, отнимает много времени и страдает от вариабельности диагнозов, что является серьезной проблемой, особенно во время крупных вспышек.

Одной из определяющих особенностей подхода, предложенного специалистами Чикагского университета, было использование методики, называемой "трансферное обучение". Разработка моделей глубокого обучения для приложений медицинской визуализации является особенно сложной задачей из-за огромного объема аннотированных данных, необходимых для обучения. Таким образом, вместо обучения модели с нуля на миллионах изображений можно использовать трансферное обучение для передачи знаний от предварительно обученной модели к другой модели. Идея состоит в том, чтобы точно настроить принимающую модель, используя выделенный набор данных, чтобы "опыт" предыдущей модели можно было использовать для решения новой задачи. Например, при трансферном обучении модель, обученная обнаруживать конкретное заболевание на магнитно-резонансных изображениях, может служить основой для другой модели, направленной на обнаружение другого заболевания.

Используя эту стратегию, исследователи применили последовательный процесс обучения переносу для разработки своей окончательной модели. Сначала они отладили большую модель, предварительно обученную в ImageNet с 1,2 миллионами естественных изображений, используя рентгенограммы ОГК из набора данных Национального института здравоохранения для выявления 14 различных заболеваний. После этого исследователи усовершенствовали эту модель, используя набор данных Радиологического общества Северной Америки для выявления пневмонии. Наконец, они доработали его, используя собственный набор данных, который содержал 6685 рентгенограмм ОГК от 3998 пациентов с COVID-19.

Разработанная модель искусственного интеллекта может с хорошей степенью точности предсказать, потребуется ли пациенту с COVID-19 интенсивная терапия в течение 24, 48, 72 и 96 часов после оценки рентгенограммы ОГК. В независимом тестовом наборе (1672 изображений ОГК от 1048 пациентов) было получено значение площади под кривой рабочих характеристик приемника, равное 0,78 при прогнозировании потребности в интенсивной терапии за 24 часа и не менее 0,76 в течение 48 или более часов. При этом у пациентов, определенных моделью как пациенты высокого риска, вероятность того, что им потребуется интенсивная терапия, почти в пять раз выше. Интересно, что производительность предложенной модели была сопоставима с аналогичными существующими моделями, даже несмотря на то, что она опиралась только на изображения ОГК вместо комбинации изображений и клинических данных.

В целом, эта модель могла бы восполнить важный пробел в клинической практике. В то время как многие модели машинного обучения были разработаны для диагностики COVID-19, лишь немногие были разработаны для прогнозирования состояния пациентов. Однако, предложенная модель могла бы сыграть существенную роль в поддержке принятия клинических решений и управления ресурсами, что, в свою очередь, улучшило бы качество медицинской помощи, получаемой пациентами.

Примечательно, что исследователи уже работают над улучшением этой модели различными способами. Они включают в себя обучение модели с использованием изображений ОГК, собранных в нескольких учреждениях, включение в модель соответствующих клинических переменных; расширение модели, включающее помутнения легких, вызванные сопутствующими заболеваниями, и добавление этапов сегментации изображений и предварительной обработки.