深層学習モデルが肺画像を使用して新型コロナウイルス感染症を検出

2024 年 3 月 26 日 – ジョンズ・ホプキンス大学の研究者らは、肺の超音波画像を使用して新型コロナウイルス感染症を検出するディープラーニングベースのモデルを開発したと発表した。 勉強 最近出版された コミュニケーション医学。

この自動検出ツールは、ディープ ニューラル ネットワーク (DNN) を使用して肺超音波 B モード画像内の 新型コロナウイルス感染症の特徴を識別し、臨床医が救急外来の患者をより効率的に診断するのに役立つ可能性があります。

「私たちは、パンデミックの初期段階など、迅速かつ正確に診断する必要がある大量の患者を抱える救急現場の医師を支援するために、この自動検出ツールを開発しました」と、主著者で准教授のムイナトゥ・ベル博士は述べた。ジョンズ・ホプキンス大学ホワイティング工学部電気・コンピュータ工学科 ニュースリリース。 「潜在的には、患者が自宅で新型コロナウイルス感染症の進行状況を監視するために使用できる無線デバイスも導入したいと考えています。」

このツールを開発するために、研究チームはさまざまな画像を使用して複数のデータセットで DNN をトレーニングしました。40,000 枚のシミュレーション画像、174 枚の公的に入手可能な in vivo 画像、研究者が厳選した 958 枚の追加の in vivo 画像、およびデータセットの組み合わせです。

これらのデータを使用して、モデルは、新型コロナウイルス感染症を診断するために、B ライン (肺合併症患者の炎症を示す明るく垂直な画像異常) にフラグを立てるタスクを課されました。 結果として得られたモデルは、新型コロナウイルス感染症 (COVID-19) に関連する異常を特定する際に高いパフォーマンスを達成しました。

このツールが肺の超音波画像から新型コロナウイルス感染症を正確に特定することに成功したことは、その診断の可能性が心不全など他の症状にも拡張できる可能性があることを示している可能性がある。

「我々がAIツールを使ってここで行っていることは、ポイント・オブ・ケアにおける次の大きなフロンティアだ」と共著者でジョンズ・ホプキンス大学救急医学助教授のティファニー・フォン医学博士は述べた。 「理想的な使用例は、体液の蓄積を監視し、薬の調整が必要なときや医師の診察が必要なときを患者に知らせるウェアラブル超音波パッチです。」

このツールの、実際の超音波画像と並行してコンピュータ生成画像を使用できる機能は、診断機能の鍵となります。

「信頼できるシミュレーション画像を取得するには、超音波と音響波の伝播の物理学を十分にモデル化する必要がありました」とベル氏は説明しました。 「その後、肺に影響を受けた患者からの実際のスキャンを確実に解釈するために、これらのシミュレートされたデータを使用してコンピューター モデルをトレーニングするためにさらに一歩進める必要がありました。」

新型コロナウイルス感染症のパンデミックが始まったとき、研究者らは患者を診断するための人工知能（AI）を訓練するために必要な実世界のデータが不足していたが、シミュレートされたデータを使用できるモデルがあれば、データ不足に伴う負担が軽減される可能性があると研究チームは指摘した。 。

ソフトウェアを開発した筆頭著者のLingyi Zhao氏は、「パンデミックの初期には、アルゴリズムを開発してテストするのに十分な新型コロナウイルス感染症患者の超音波画像がなかった。その結果、ディープニューラルネットワークは最高のパフォーマンスに達することができなかった」と述べた。ベルの研究室の博士研究員である間。 「現在、コンピューターで生成されたデータセットを使用しても、これらの新型コロナウイルス感染症の特徴の評価と検出において高い精度を達成できることが証明されています。」

このような研究は、医療画像解析における AI の役割が増大していることを浮き彫りにしていますが、これらのテクノロジーの導入には依然として困難が伴います。

ハーバード大学医学部（HMS）、マサチューセッツ工科大学（MIT）、スタンフォード大学の専門家らが最近 見つかった 放射線科医を支援するために AI ベースのツールを使用すると、臨床医のパフォーマンスに予期せぬ影響を与える可能性があるということです。

研究者らは、AIが放射線科医全体のパフォーマンスを向上させる可能性があることを示唆する証拠はいくつかあるが、AIの使用が個人のパフォーマンスに及ぼす影響を調べた研究は限られていると強調した。

研究のギャップを埋めるために、チームは、AI の使用の有無にかかわらず、臨床的に関連する画像異常を正確に特定する能力に基づいて放射線科医のグループを評価しました。 分析の結果、AI の影響には一貫性がなく、一部の放射線科医のパフォーマンスが向上する一方、他の放射線科医のパフォーマンスが悪化することが明らかになりました。