Группа исследователей создала подход для автоматического прогнозирования риска ухудшения состояния пациентов с использованием глубокой нейронной сети. Система обучалась на рентгеновских снимках грудной клетки и не визуальных клинических показателях, и показала высокий результат. Применение данной системы может сыграть важную роль в оптимизации оказания помощи больным новой коронавирусной инфекцией.
Актуальность
Основное осложнение при COVID-19 это вирусная пневмония. Рентгенография является одним из основных средств диагностирования инфекции. Хотя компьютерная томография обеспечивает более высокое разрешение, рентгенография грудной клетки менее затратна, дает меньшую дозу облучения и снижает риск передачи инфекции на оборудование. Знания о новой болезни быстро развиваются, но понимание корреляции между зараженными областями легких, которые показываются на рентгенограммах, и процессом ухудшения состояния пациента остается ограниченным.
Описание технологии
Система состоит из двух глубоких свёрточных нейронных сетей, основанных на архитектуре GMIC. Первая модель, COVID-GMIC, прогнозирует общий риск ухудшения в течение 24, 48, 72 и 96 часов. Модель выдает карты значимости, на которых выделены области, обоснующие ее прогнозы. COVID-GBM учится на регулярно собираемых клинических данных о пациенте, таких как вес, температура тела, уровень иммунных клеток в крови, и соединяет свои прогнозы с COVID-GMIC. Соединение происходит с помощью модуля слияния, который объединяет информацию как из глобального контекста, так и из локальных деталей, чтобы сделать целостный прогноз. Вторая модель, COVID-GMIC-DRC, предсказывает в виде графиков кривых, как риск ухудшения состояния пациента меняется с течением времени.
Система была оценена с использованием набора данных из рентгенограмм грудной клетки пациентов, прошедших тестирование на COVID-19 с помощью метода ПЦР и получивших положительный результат. Также были собраны последние клинические данные о состоянии пациента. Обучающий набор, состоящий из 5617 снимков грудной клетки, использовался для разработки модели и настройки гиперпараметров с использованием перекрестной проверки Monte Carlo. Тестовый набор с 832 изображениями использовали для отчета об окончательных результатах.
Результаты
Модель обеспечила точность, сопоставимую с показаниями двух опытных врачей: значения AUC 0,786, PR AUC (Precision-Recall AUC) 0,517. Это подчеркивает потенциал разработанного подхода. По словам разработчиков, предварительную версию удалось внедрить в NYU Langone Health (медицинский центр) во время первой волны пандемии.
Заключение
Разработанная система способна помочь врачам отделения неотложной помощи предсказывать состояние пациентов, тем самым оптимизируя процессы оказания терапии. Исследователи выложили в открытый доступ код и обученные модели.
