تشخیص کووید-19 مبتنی بر هوش مصنوعی با استفاده از تصاویر CXR

corona virus AI detection

مسئولان پروژه

مرکز تحقیقات

مرکز تصویربرداری سلولی و مولکولی ، بیمارستان امام خمینی ، دانشگاه علوم پزشکی تهران

تاریخ شروع

می 2020

تاریخ اتمام

دسامبر 2020

خلاصه ای از پروژه

ویروس کرونا 2019 (COVID-19) ، که اولین بار در دسامبر 2019 در شهر ووهان چین ظاهر شد ، به سرعت در سراسر جهان گسترش یافته و به یک بیماری همه گیر تبدیل شده است. برای جلوگیری از شیوع بیشتر این اپیدمی ، شناسایی موارد مثبت در اسرع وقت حیاتی است.

آزمایش واکنش زنجیره ای پلیمراز در زمان واقعی (RT-PCR) ، که به عنوان استاندارد ارزیابی COVID-19 استفاده می شود ، زمان بر بوده و مستعد تشخیص منفی کاذب است. بر این اساس ، ممکن است برای تشخیص زودهنگام COVID-19 اشعه ایکس قفسه سینه (CXR) و توموگرافی کامپیوتری با وضوح بالا (HRCT) در نظر گرفته شود. اگرچه اسکنرهای اشعه ایکس به طور گسترده در دسترس هستند و به سرعت تصاویر را تولید می کنند ، اما یکی از مهمترین معایب CXR عدم توانایی آن در تشخیص مراحل اولیه COVID-19 است. CXR حساسیت در تشخیص کدورت شیشه زمین (GGO) ندارد و حساسیت کمتری نسبت به آزمایش اولیه RT-PCR دارد. حساسیت CT که برای عفونت COVID-19  نشان داده شده است98%  ، در مقایسه با RT-PCR با حساسیت حدود 71٪. اما گرانتر از CXR است و بیماران را در معرض دوزهای بالاتر قرار می دهد ، خصوصاً برای اسکن پیگیری برای بیماران نامطلوب است. از آنجا که COVID-19 به دلیل ارائه بالینی مشابه یافته های CT می تواند به عنوان سایر موارد ویروسی و غیرمعمول ذات الریه مانند آنفلوانزا تشخیص داده شود ، این روش تصویربرداری ممکن است یک تشخیص افتراقی قابل اعتماد بین تصاویر CT عفونت COVID-19 و سایر انواع عفونت را فراهم نکند.

بنابراین ، برای مقابله با شیوع گسترده این بیماری و کمک به بیماران در مراحل اولیه ، به روشهای تشخیصی سریع و دقیق نیاز است. بر اساس تغییرات رادیوگرافی در CXR و CT اسکن بیماران مبتلا به COVID-19 ، یک سیستم تشخیصی (CAD) با کمک رایانه مبتنی بر روش های یادگیری عمیق می تواند به استخراج ویژگی های مرتبط با COVID-19 کمک کند و تشخیص بالینی را قبل از RT- ارائه دهد. تست بیماری زا PCR ، بنابراین در زمان بحرانی برای کنترل بیماری ، افزایش حساسیت و ویژگی تشخیص ، کاهش بیمار و کاهش هزینه ها صرفه جویی می شود. یک مزیت مدلهای یادگیری عمیق کاملاً آموزش دیده این است که آنها می توانند بر مناطقی تمرکز کنند که برای چشم انسان قابل توجه نیستند.

در این مطالعه ، ما یک روش یادگیری عمیق برای تشخیص خودکار COVID-19 با استفاده از تصاویر اشعه ایکس قفسه سینه پیشنهاد می کنیم ، تا رادیولوژیست ها را در تأیید غربالگری اولیه خود کمک کنیم. برای توسعه و اعتبارسنجی مدل ، ما تصاویر CXR و CT بیمار را در سه گروه جمع آوری می کنیم:

  1. موارد پنومونی COVID-19 تایید شده توسط پاتوژن

  2. مواردی که نتایج آزمایش RT-PCR منفی دارند.

  3. موارد کنترل شده با زیر نوع H1N1 ویروس آنفلوانزا A