Быстрая и точная клиническая оценка прогрессирования заболевания и смертности жизненно важна для ведения пациентов с COVID-19. Хотя было предложено несколько предикторов, они были ограничены субъективной оценкой, полуавтоматическими схемами или контролируемыми подходами к глубокому обучению. Такие предикторы субъективны или требуют кропотливого аннотирования обучающих примеров.
В многоцентровом исследовании, опубликованном в журнале Medical Image Analysis , исследовательская группа под руководством Хироюки Йошида, доктора философии, директора отдела исследований 3D-изображений в Массачусетской больнице общего профиля (MGH), показала, что неконтролируемое глубокое обучение на основе компьютерной томографии может обеспечить значительно более высокие прогностические характеристики, чем установленные лабораторные тесты и существующие визуальные и количественные предикторы выживаемости, основанные на изображениях. Модель может предсказать, для каждого пациента, время , когда COVID-19 прогрессирует , и , таким образом, время , когда пациент госпитализировать в отделение интенсивной терапии или когда пациент болен, то , что другие изображения на основе модели прогнозированияне могу сделать. Информация о времени, рассчитанная с помощью модели, также позволяет разделить пациентов на группы низкого и высокого риска с более широким диапазоном, чем это возможно с другими предикторами.
«Наши результаты показывают, что производительность прогнозирования модели искусственного интеллекта без учителя была значительно выше, а ошибка прогнозирования значительно ниже, чем у ранее установленных эталонных предикторов», - говорит Йошида. «Использование неконтролируемого ИИ в качестве неотъемлемой части модели прогнозирования выживаемости позволяет выполнять прогнозные прогнозы непосредственно на основе исходных компьютерных томографов пациентов с более высокой точностью, чем это было возможно ранее при количественной визуализации».
В сопутствующем исследовании, которое было недавно опубликовано в журнале Nature , команда уже показала, что контролируемый ИИ может использоваться для прогнозирования выживаемости пациентов с COVID-19 по их КТ-изображениям грудной клетки. Однако новая модель искусственного интеллекта без учителя открывает новые возможности, избегая технических ограничений и трудоемких усилий по аннотации предыдущих предсказателей, поскольку использование генеративной состязательной сети позволяет обучать полную модель сквозного анализа выживаемости непосредственно из изображения. «Это гораздо более точная и продвинутая технология искусственного интеллекта», - объясняет Ёсида.
Хотя исследование было ограничено пациентами с COVID-19, команда считает, что модель может быть распространена и на другие заболевания. «Такие проблемы, как Long COVID, вариант Delta или обобщение модели на другие заболевания, проявляющиеся на медицинских изображениях, являются многообещающими применениями этой модели неконтролируемого ИИ», - говорит Йошида.