Derin Öğrenme Teknolojisini Kullanan Yapay Zeka COVID-19’u Göğüs Bilgisayarlı Tomografisinde Topluluk Tarafından Alınan Pnömoniden Ayırabilir Mi?

Koronavirüs Hastalığı 2019 (COVID-19) 2020'nin başından beri tüm dünyaya yayılmış ve oldukça bulaşıcı ve ciddi vakalarda akut solunum sıkıntısına veya çoklu organ yetmezliğine yol açabilen bir hastalık olarak tanımlanmıştır. 30 Ocak 2020'de, salgın, Dünya Sağlık Örgütü (WHO) tarafından uluslararası endişe verici halk sağlığı acil durumu (PHEIC) olarak ilan edilmiştir. Hastalık tipik olarak ters transkripsiyon polimeraz zincir reaksiyonu (RT-PCR) ile doğrulanmakla birlikte, RT-PCR duyarlılığının, olası hastaların erken saptanması ve tedavisi için yeterince yüksek olmadığı bildirilmiştir. İnvaziv olmayan bir görüntüleme yaklaşımı olarak bilgisayarlı tomografi (BT), COVID-19 ile ilişkili akciğerdeki belirli karakteristik bulguları tespit edebilir. Bu nedenle BT, COVID-19'un erken taranması ve teşhisi için etkili bir yol olabilir. Araştırmacılar avantajlarına rağmen BT’nin, COVID-19 ve diğer pnömoni türleri arasında bazı benzer görüntüleme özelliklerini paylaşabileceğinden farklılaşmayı zorlaştırabileceğini ifade etmişlerdir. Son zamanlarda, derin öğrenme teknolojisini kullanan yapay zeka (AI), yüksek özellik çıkarma kabiliyeti nedeniyle tıbbi görüntüleme alanında büyük başarı göstermiş ve özellikle, pediyatrik göğüs radyografilerinde bakteriyel ve viral pnömoniyi saptamak ve ayırt etmek için derin öğrenme uygulanmıştır. Araştırmacılar göğüs BT'sinin çeşitli görüntüleme özelliklerini saptamaya çalışmışlardır.

Derin Öğrenme Modeli Olan COVID-19 Saptama Sinir Ağının Geliştirilmesi

Yapılan bu retrospektif ve çok merkezli çalışmada, COVID-19'un saptanması için hacimsel göğüs BT muayenelerinden görsel özellikler elde etmek için derin bir öğrenme modeli olan COVID-19 saptama sinir ağı (COVNet) geliştirilmiştir. Modelin sağlamlığını test etmek için toplumdan edinilmiş pnömoni (CAP) ve diğer pnömoni dışı BT muayeneleri çalışmaya dahil edilmiş ve veri setleri, Ağustos 2016 ile Şubat 2020 arasında 6 hastaneden toplanmıştır. Ayrıca bu retrospektif çalışma, katılımcı hastanelerin etik kurulları tarafından onaylanmıştır. Tanı performansı, alıcının çalışma karakteristik eğrisi (EAA), duyarlılık ve özgüllük altındaki alan tarafından değerlendirilmiştir. Toplanan veri seti, 3.322 hastanın 4356 göğüs BT muayenesinden oluşmaktadır ve yaş ortalaması 49 ± 15 yıl olup, erkek hastalar kadınlara göre biraz daha fazladır. Bağımsız test setinde COVID-19'u saptamak için muayene başına duyarlılık ve özgüllük, 0.96'lık bir EAA ile sırasıyla 127'nin 114'ü ve 307'nin 294'ü olarak belirtilmiştir. Bağımsız test setinde CAP saptamak için muayene başına duyarlılık ve özgüllük sırasıyla %87 ve %92 olarak saptanmıştır. Sonuç olarak, COVID-19 ve CAP'yi göğüs BT görüntülerinden ayırt etmek için güçlü bir derin öğrenme modeli araştırmacılar geliştirilmiştir ve bu sonuçlar, evrişimsel Ağlar modelini kullanan bir makine öğrenme yaklaşımının COVID-19'u toplum kaynaklı pnömoniden ayırt edebildiğini göstermektedir.