Алгоритм глубокого обучения на основе КТ-изображений для скрининга коронавирусной болезни (COVID-19)

Цель: Вспышка коронавируса SARS-CoV-2 привела уже более чем к 26 миллионам случаев коронавирусной болезни (COVID-19) в мире. Для сдерживания распространения инфекции приоритетом является скрининг большого числа подозрительных случаев для своевременной изоляции и лечения. Лабораторное выявление возбудителя обычно служит золотым стандартом, однако ему присуща значительная доля ложноотрицательных результатов, что усиливает потребность в альтернативных диагностических методах. Учитывая рентгенологические изменения при COVID-19 на КТ-изображениях, в данном исследовании предположили, что методы искусственного интеллекта могут выделять специфические признаки COVID-19 и обеспечивать клиническую диагностику раньше, чем результаты лабораторного теста, тем самым экономя критически важное время для контроля заболевания.

Методы: Были собраны 1065 КТ-изображений пациентов с лабораторно подтверждённым COVID-19, а также изображения пациентов с ранее установленной типичной вирусной пневмонией. Для построения алгоритма модифицировали модель transfer learning на основе Inception, после чего выполнили внутреннюю и внешнюю валидацию.

Результаты: При внутренней валидации общая точность составила 89,5%, специфичность — 0,88, чувствительность — 0,87. Во внешней тестовой выборке общая точность составила 79,3%, специфичность — 0,83, чувствительность — 0,67. Кроме того, среди 54 КТ-изображений при COVID-19 первые два результата теста на нуклеиновую кислоту были отрицательными, и 46 из них алгоритм классифицировал как COVID-19, с точностью 85,2%.

Выводы: Эти результаты демонстрируют принципиальную возможность использования искусственного интеллекта для выделения рентгенологических признаков с целью своевременной и точной диагностики COVID-19.

Ключевые положения: • В исследовании оценивали диагностическую эффективность алгоритма глубокого обучения по КТ-изображениям для скрининга COVID-19 в сезон гриппа. • Как метод скрининга модель показала относительно высокую чувствительность как на внутренней, так и на внешней выборке КТ-изображений. • Модель использовали для различения COVID-19 и другой типичной вирусной пневмонии, имеющих сходные рентгенологические признаки.