AI-система, которая обнаруживает COVID-19 в легких быстрее, чем радиолог

Новая система на основе искусственного интеллекта (artificial intelligence, AI), разработанная учеными из Северо-Западного университета (США), смогла обнаружить COVID-19 в легких, анализируя рентгеновские снимки, быстрее и несколько точнее, чем торакальные радиологи. Система DeepCOVID-XR использует алгоритм машинного обучения для обнаружения COVID-19 на рентгеновских снимках грудной клетки.

Информация о новой разработке была опубликована в журнале Radiology.

По словам эксперта Северо-Западного университета в области AI и одного из авторов исследования доктора Аггелоса Кацаггелоса (Aggelos Katsaggelos),

Система самостоятельно изучила характерные особенности Covid-19, без четких инструкций и программирования. DeepCOVID-XR состоит из набора шести специфических типов глубоких нейронных сетей, называемых конволюционными нейронными сетями, которые лучше всего подходят для изучения закономерностей в изображениях.

Алгоритм был обучен и апробирован с использованием 14 788 рентгеновских снимков грудной клетки, из которых 4 253 были получены от пациентов с COVID-19. Затем алгоритм был протестирован с использованием 2214 рентгеновских снимков грудной клетки, из которых 1194 были положительными на COVID-19. Точность обнаружения заболевания составила 83%. "Приятным сюрпризом было то, что ошибки, допущенные алгоритмом, были объяснимы", - сказал Кацаггелос.

Ученые также сравнили производительность системы с пятью опытными торакальными радиологами. Они обнаружили, что каждому радиологу понадобилось примерно от двух с половиной до трех с половиной часов, чтобы исследовать набор из 300 снимков, на что AI-система затратила около 18 минут.

Кроме того, DeepCOVID-XR немного опередила радиологов по точности: система показала точность 82% по сравнению с точностью радиологов, которая варьировалась от 76% до 81%.

AI-система в настоящее время находится на стадии клинических исследований. При этом такое решение должно быть многократно проверено с использованием различных наборов данных, прежде чем их можно будет перенести из исследовательской среды в клиническое использование.

Разработчики сделали модель и исходный код, используемые для разработки системы, свободно доступными для других ученых по всему миру для дальнейшего тестирования и тонкой настройки алгоритма.