Η ασθένεια COVID-19 που προκαλείται από τον κορονοϊό SARS-CoV-2 έχει επιφέρει μια αναπάντεχη κρίση στο υγειονομικό σύστημα των περισσότερων χωρών του κόσμου, με εκατομμύρια ανθρώπους να έχουν προσβληθεί από τον ιό παγκοσμίως. Η έλλειψη των διαγνωστικών τεστ, ακόμη και σε αναπτυγμένες χώρες, έχει οδηγήσει την ερευνητική κοινότητα να αναζητά ενναλακτικές λύσεις υψηλής ακρίβειας. Η χρήση της ακτινολογικής απεικόνισης (X-ray) του θώρακα σε συνδυασμό με τη χρήση μεθόδων τεχνητής νοημοσύνης μπορεί να προσφέρει σημαντικά πλεονεκτήματα στη διάγνωση του ιού. Ωστόσο η έλλειψη επαρκούς αριθμού δεδομένων θέτει διάφορα προβλήματα στη διαδικασία εκμάθησης των αλγορίθμων. Μια λύση αυτού του προβλήματος επιτυγχάνεται με τη χρήση τεχνικών μεταφοράς γνώσης (transfer learning) από ένα πεδίο όπου υπάρχουν αρκετά δεδομένα σε ένα άλλο με αρκετά λιγότερα. Σε αυτή τη δημοσίευση παρουσιάζουμε ένα μοντέλο τεχνητής νοημοσύνης βασισμένο σε αλγορίθμους βαθιάς μάθησης (deep learning) και τεχνικές μεταφοράς γνώσης (transfer learning) για την αναγνώριση του ιού από ακτινολογικές εικόνες. Επίσης η συγκεκριμένη μέθοδος εμπεριέχει μια τεχνική ερμηνείας των αποφάσεων του μοντέλου, μέσω διάφορων χαρτών σημαντικότητας που εστιάζουν στα πιο σημαντικά σημεία της εικόνας, οι οποίοι αξιολογήθηκαν από δύο ακτινολόγους ιατρούς. Η προτεινόμενη μέθοδος επιτυγχάνει εξαιρετικά αποτελέσματα, με μόλις ένα λάθος σε ένα σύνολο 137 εικόνων, σχετικά με την αναγνώριση του COVID-19 έναντι μιας τυπικής πνευμονίας που έχει προκληθεί από άλλους ιούς ή βακτήρια.
Επιμέλεια-Συγγραφή: Γεώργιος Ζ.ΠαπαδάκηςMD, MPH, PhD
1. Research Associate
Institute of Computer Science (ICS), Computational Biomedicine Laboratory (CBML)
Foundation for Research and Technology Hellas (FORTH), Heraklion, Crete, Greece N. Plastira 100, Vassilika Vouton
2. Adjunct Lecturer Department of Medical Imaging, University Hospital of Heraklion, Faculty of Medicine, University of Crete, Greece.
3. Special Volunteer National Institute of Dental and Craniofacial Research (NIDCR),
National Institutes of Health (NIH), Bethesda, MD, USA.
