یک محقق از دانشگاه فلوریدا مرکزی بخشی از یک مطالعه جدید است که نشان می دهد هوش مصنوعی می تواند تقریباً به اندازه پزشک در تشخیص COVID-19 در ریه ها دقیق باشد.
این مطالعه که اخیراً در Nature Communications منتشر شده است ، نشان می دهد که این روش جدید همچنین می تواند بر برخی از چالش های آزمایش فعلی غلبه کند.
محققان نشان دادند که می توان یک الگوریتم AI را برای طبقه بندی پنومونی COVID-19 در توموگرافی کامپیوتری CT اسکن با حداکثر 90 درصد دقت و همچنین شناسایی موارد مثبت در 84 درصد از زمان و موارد منفی در 93 درصد از موارد ، آموزش داد.
سی تی اسکن در مقایسه با آزمایشات واکنش زنجیره ای پلیمراز معکوس رونویسی معکوس یا RT-PCR ، بینش عمیق تری نسبت به تشخیص و پیشرفت COVID-19 ارائه می دهد. این آزمون ها دارای نرخ منفی کاذب بالا ، تأخیر در پردازش و سایر چالش ها هستند.
یکی دیگر از مزایای سی تی اسکن این است که می تواند COVID-19 را در افراد بدون علائم ، در کسانی که علائم اولیه دارند ، در اوج بیماری و پس از برطرف شدن علائم تشخیص دهد.
با این حال ، CT همیشه به عنوان یک وسیله تشخیصی برای COVID-19 توصیه نمی شود زیرا این بیماری اغلب شبیه به پنومونی همراه با آنفلوانزا در اسکن ها است.
Ulas Bagci ، استادیار گروه علوم کامپیوتر UCF می گوید: الگوریتم جدید توسعه یافته UCF می تواند با شناسایی دقیق موارد COVID-19 و همچنین تشخیص آنها از آنفلوانزا ، بر این مشکل غلبه کند. .
باگچی یکی از نویسندگان این تحقیق بود و به هدایت تحقیقات کمک کرد.
باگچی می گوید: "ما نشان دادیم كه رویكرد هوش مصنوعی مبتنی بر یادگیری عمیق می تواند به عنوان یك ابزار استاندارد و عینی برای كمك به سیستم های مراقبت های بهداشتی و همچنین بیماران باشد." "این می تواند به عنوان یک ابزار آزمایش مکمل در جمعیت بسیار محدود خاص مورد استفاده قرار گیرد ، و می تواند به سرعت و در مقیاس وسیع در صورت ناخوشایند شیوع مکرر استفاده شود."
Bagci متخصص در توسعه هوش مصنوعی برای کمک به پزشکان است ، از جمله استفاده از آن برای تشخیص سرطان های لوزالمعده و ریه در سی تی اسکن.
وی همچنین دارای دو بورس بزرگ انستیتوی ملی بهداشت است که این موضوعات را بررسی می کند ، از جمله 2.5 میلیون دلار برای استفاده عمیق برای بررسی تومورهای کیستیک پانکراس و بیش از 2 میلیون دلار برای استفاده از هوش مصنوعی برای غربالگری و تشخیص سرطان ریه.
برای انجام این مطالعه ، محققان یک الگوریتم رایانه ای را برای شناسایی COVID-19 در سی تی اسکن ریه 1280 بیمار چند ملیتی از چین ، ژاپن و ایتالیا آموزش دادند.
سپس آنها الگوریتم را بر روی سی تی اسکن از 1333 بیمار مبتلا به بیماری های ریوی از COVID-19 گرفته تا سرطان و ذات الریه غیر COVID آزمایش کردند.
هنگامی که آنها تشخیص های رایانه را با موارد تایید شده توسط پزشکان مقایسه کردند ، دریافتند که این الگوریتم در تشخیص دقیق پنومونی COVID-19 در ریه ها و تمایز آن از سایر بیماری ها بسیار مهارت دارد ، به ویژه هنگام بررسی سی تی اسکن در مراحل اولیه پیشرفت بیماری.
باگچی می گوید: "ما نشان دادیم كه مدل های قوی هوش مصنوعی می توانند تا 90 درصد دقت را در جمعیت های آزمایش مستقل بدست آورند ، در پنومونی های غیر COVID-19 مربوط به آن ویژگی بالایی داشته باشند و قابلیت تعمیم كافی را برای جمعیت و مراكز بیمار دیده نمی كنند."
محقق UCF یک همکاری طولانی مدت با نویسندگان مطالعه Baris Turkbey و Bradford J. Wood است. Turkbey یک پزشک همکار در انستیتوی ملی سرطان NIH در واحد تصویربرداری مولکولی است و وود مدیر مرکز انکولوژی مداخله ای NIH و رئیس رادیولوژی مداخله ای در مرکز بالینی NIH است.
این تحقیق با بودجه مرکز انیولوژی مداخله ای NIH و برنامه تحقیق درون مرزی موسسات ملی بهداشت ، کمکهای مالی داخل NIH ، برنامه ضد COVID-19 هدفمند درون مرزی NIH ، انستیتوی ملی سرطان و NIH پشتیبانی شد.
باگچی دکترای خود را در رشته علوم کامپیوتر از دانشگاه ناتینگهام انگلیس دریافت کرد و در سال 2015 به عضو گروه علوم رایانه ای UCF ، بخشی از دانشکده مهندسی و علوم کامپیوتر پیوست. علوم کامپیوتر و یک عضو هیئت علمی مرکز تحقیقات UCF در چشم انداز کامپیوتر. SAIC یک شرکت پشتیبانی و خدمات دولتی مستقر در ویرجینیا است.
منبع : sciencedaily
یک محقق از دانشگاه فلوریدا مرکزی بخشی از یک مطالعه جدید است که نشان می دهد هوش مصنوعی می تواند تقریباً به اندازه پزشک در تشخیص COVID-19 در ریه ها دقیق باشد.
این مطالعه که اخیراً در Nature Communications منتشر شده است ، نشان می دهد که این روش جدید همچنین می تواند بر برخی از چالش های آزمایش فعلی غلبه کند.
محققان نشان دادند که می توان یک الگوریتم AI را برای طبقه بندی پنومونی COVID-19 در توموگرافی کامپیوتری CT اسکن با حداکثر 90 درصد دقت و همچنین شناسایی موارد مثبت در 84 درصد از زمان و موارد منفی در 93 درصد از موارد ، آموزش داد.
سی تی اسکن در مقایسه با آزمایشات واکنش زنجیره ای پلیمراز معکوس رونویسی معکوس یا RT-PCR ، بینش عمیق تری نسبت به تشخیص و پیشرفت COVID-19 ارائه می دهد. این آزمون ها دارای نرخ منفی کاذب بالا ، تأخیر در پردازش و سایر چالش ها هستند.
یکی دیگر از مزایای سی تی اسکن این است که می تواند COVID-19 را در افراد بدون علائم ، در کسانی که علائم اولیه دارند ، در اوج بیماری و پس از برطرف شدن علائم تشخیص دهد.
با این حال ، CT همیشه به عنوان یک وسیله تشخیصی برای COVID-19 توصیه نمی شود زیرا این بیماری اغلب شبیه به پنومونی همراه با آنفلوانزا در اسکن ها است.
Ulas Bagci ، استادیار گروه علوم کامپیوتر UCF می گوید: الگوریتم جدید توسعه یافته UCF می تواند با شناسایی دقیق موارد COVID-19 و همچنین تشخیص آنها از آنفلوانزا ، بر این مشکل غلبه کند. .
باگچی یکی از نویسندگان این تحقیق بود و به هدایت تحقیقات کمک کرد.
باگچی می گوید: "ما نشان دادیم كه رویكرد هوش مصنوعی مبتنی بر یادگیری عمیق می تواند به عنوان یك ابزار استاندارد و عینی برای كمك به سیستم های مراقبت های بهداشتی و همچنین بیماران باشد." "این می تواند به عنوان یک ابزار آزمایش مکمل در جمعیت بسیار محدود خاص مورد استفاده قرار گیرد ، و می تواند به سرعت و در مقیاس وسیع در صورت ناخوشایند شیوع مکرر استفاده شود."
Bagci متخصص در توسعه هوش مصنوعی برای کمک به پزشکان است ، از جمله استفاده از آن برای تشخیص سرطان های لوزالمعده و ریه در سی تی اسکن.
وی همچنین دارای دو بورس بزرگ انستیتوی ملی بهداشت است که این موضوعات را بررسی می کند ، از جمله 2.5 میلیون دلار برای استفاده عمیق برای بررسی تومورهای کیستیک پانکراس و بیش از 2 میلیون دلار برای استفاده از هوش مصنوعی برای غربالگری و تشخیص سرطان ریه.
برای انجام این مطالعه ، محققان یک الگوریتم رایانه ای را برای شناسایی COVID-19 در سی تی اسکن ریه 1280 بیمار چند ملیتی از چین ، ژاپن و ایتالیا آموزش دادند.
سپس آنها الگوریتم را بر روی سی تی اسکن از 1333 بیمار مبتلا به بیماری های ریوی از COVID-19 گرفته تا سرطان و ذات الریه غیر COVID آزمایش کردند.
هنگامی که آنها تشخیص های رایانه را با موارد تایید شده توسط پزشکان مقایسه کردند ، دریافتند که این الگوریتم در تشخیص دقیق پنومونی COVID-19 در ریه ها و تمایز آن از سایر بیماری ها بسیار مهارت دارد ، به ویژه هنگام بررسی سی تی اسکن در مراحل اولیه پیشرفت بیماری.
باگچی می گوید: "ما نشان دادیم كه مدل های قوی هوش مصنوعی می توانند تا 90 درصد دقت را در جمعیت های آزمایش مستقل بدست آورند ، در پنومونی های غیر COVID-19 مربوط به آن ویژگی بالایی داشته باشند و قابلیت تعمیم كافی را برای جمعیت و مراكز بیمار دیده نمی كنند."
محقق UCF یک همکاری طولانی مدت با نویسندگان مطالعه Baris Turkbey و Bradford J. Wood است. Turkbey یک پزشک همکار در انستیتوی ملی سرطان NIH در واحد تصویربرداری مولکولی است و وود مدیر مرکز انکولوژی مداخله ای NIH و رئیس رادیولوژی مداخله ای در مرکز بالینی NIH است.
این تحقیق با بودجه مرکز انیولوژی مداخله ای NIH و برنامه تحقیق درون مرزی موسسات ملی بهداشت ، کمکهای مالی داخل NIH ، برنامه ضد COVID-19 هدفمند درون مرزی NIH ، انستیتوی ملی سرطان و NIH پشتیبانی شد.
باگچی دکترای خود را در رشته علوم کامپیوتر از دانشگاه ناتینگهام انگلیس دریافت کرد و در سال 2015 به عضو گروه علوم رایانه ای UCF ، بخشی از دانشکده مهندسی و علوم کامپیوتر پیوست. علوم کامپیوتر و یک عضو هیئت علمی مرکز تحقیقات UCF در چشم انداز کامپیوتر. SAIC یک شرکت پشتیبانی و خدمات دولتی مستقر در ویرجینیا است.
منبع : sciencedaily