Использование искусственного интеллекта для диагностики пневмонии при COVID-19 и туберкулеза легких в Кыргызской Республике

Использование искусственного интеллекта для диагностики пневмонии при COVID-19 и туберкулеза легких в Кыргызской Республике

Автор: Б.Э. Эмилов, А.А. Сорокин, М.А. Жакыпов, А.Б. Кересбекова, О.А. Салибаев, Т.Ч. Чубаков

Журнал: Ульяновский медико-биологический журнал @medbio-ulsu

Рубрика: Клиническая медицина

Статья в выпуске: 4, 2024 года.

Бесплатный доступ

В настоящее время не вызывает сомнений необходимость контроля таких легочных заболеваний, как COVID-19, вызываемый вирусом SARS-CoV-2, и туберкулез. Одним из важнейших направлений данной работы является быстрая и точная диагностика, в т.ч. с использованием методов визуализации легких, основанных на искусственном интеллекте (ИИ). Цель. Проверка возможности применения ИИ в целях обнаружения пневмонии при COVID-19 и туберкулеза легких на основе цифровых рентгенограмм. Материалы и методы. Исследование включало в себя несколько этапов: разработку модели ИИ для обучения обнаружению пневмонии при COVID-19 и туберкулеза легких; создание базы тестирующих рентгенданных; интерпретацию данных врачами-рентгенологами; использование ИИ в диагностике пневмонии при COVID-19 и туберкулеза легких. Результаты. ИИ продемонстрировал хорошую прогностическую способность (чувствительность – 88,31 % и 83,33 %, специфичность – 96,67 % и 97,78 % для пневмонии и туберкулеза легких соответственно). Он эффективно обрабатывает и анализирует большие объемы данных, что способствует экономии времени врачей. Однако в целях обеспечения большей безопасности ответственность за окончательное заключение должен нести медицинский персонал. Оптимальным представляется сотрудничество врачей-рентгенологов и ИИ, в котором последний вы-полняет роль вспомогательного инструмента в условиях высокой нагрузки или нехватки специ-алистов, что может повысить точность рентгенологических заключений и обеспечить их своевременность.

Еще

COVID-19, туберкулез легких, искусственный интеллект, пневмония, рентген-диагностика, машинное обучение

Короткий адрес: https://sciup.org/14132322

IDR: 14132322   |   DOI: 10.34014/2227-1848-2024-4-82-98

Список литературы Использование искусственного интеллекта для диагностики пневмонии при COVID-19 и туберкулеза легких в Кыргызской Республике

  • Gorbalenya A.E., Baker S.C., Baric R.S., de Groot R.J., Drosten C., Gulyaeva A.A. The species severe acute respiratory syndrome-related coronavirus: classifying 2019-nCoV and naming it SARS-CoV-2. Nat. Microbiol. 2020; 5: 536-544. DOI: 10.1038/s41564-020-0695-z.
  • Chen J., Wu L., Zhang J., Zhang L., Gong D., Zhao Y., Chen Q., Huang S., Yang M., Yang X., Hu S., Wang Y., Hu X., Zheng B., Zhang K., Wu H., Dong Z., Xu Y., Zhu Y., Chen X., Zhang M., Yu L., Cheng F., Yu H. Deep learning-based model for detecting 2019 novel coronavirus pneumonia on high-resolution computed tomography. Sci. Rep. 2020; 10 (1): 19196. DOI: 10.1038/s41598-020-76282-0.
  • Zhi Zhen Qin, Melissa S. Sander, Bishwa Rai, Collins N Titahong, Santat Sudrungrot, Sylvain N. Laah, LalMani Adhikari, E. Jane Carter, Lekha Puri, Andrew J. Codlin, Jacob Creswell. Using artificial intelligence to read chest radiographs for tuberculosis detection: a multi-site evaluation of the diagnostic accuracy of three deep learning systems. Sci Rep. 2019. 9: 15000. DOI: 10.1038/s41598-019-51503-3.
  • Saskia den Boon, Cecily Miller. WHO operational handbook on tuberculosis. Module 2: screening - systematic screening for tuberculosis disease. Geneva: World Health Organization; 2021. URL: https://iris.who.int/bitstream/handle/10665/340256/9789240022614-eng.pdf?sequence=1 (дата обращения: 25.04.2024).
  • Paula I. Fujiwara, Katherine Floyd, Blessina Kumar. A paradigm shift in the fight against tb. Stop TB Partnership. Global Plan to End TB: 2018-2022. Geneva: Stop TB Partnership; 2019. URL: https://stoptb.org/assets/documents/global/plan/GPR_2018-2022_Digital.pdf (дата обращения: 25.04.2024).
  • Qin Z.Z., Naheyan T., RuhwaldM., Denkinger C.M., Gelaw S., Nash M., Creswell J., Kik S.V. A new resource on artificial intelligence powered computer automated detection software products for tuberculosis programmes and implementers. Tuberculosis (Edinb). 2021; 127: 102049.
  • Qin Z.Z., Barrett R., Del Mar Castro M., Zaidi S., Codlin A.J., Creswell J., Denkinger C.M. Early user experience and lessons learned using ultra-portable digital X-ray with computer-aided detection (DXR-CAD) products: A qualitative study from the perspective of healthcare providers. PLOS ONE. 2023; 18 (2): e0277843. DOI: https://doi.org/10.1371/journal.pone.0277843.
  • Liang S., Xu X., Yang Z., Du Q., Zhou L., Shao J., Guo J., Ying B., Li W., Wang C. Deep learning for precise diagnosis and subtype triage of drug-resistant tuberculosis on chest computed tomography. Med Comm. 2024; 5: e487. DOI: https://doi.org/10.1002/mco2.487
  • Martinez Chamorro E., Díez Tascon A., Ibanez Sanz L., Ossaba Velez S., Borruel Nacenta S. Radiologic diagnosis of patients with COVID-19. Radiologia (Engl Ed). 2021; 63 (1): 56-73. DOI: 10.1016/ j.rx.2020.11.001.
  • Abougazia A., Alnuaimi A., Mahran A., Ali T., Khedr A., Qadourah B., Shareef A., Zitouni S., Kahveci S., Alqudah B., Al Yassin Y., Eldesoky M., Abdelmoneim A., Youssef R. Chest X-Ray Findings in COVID-19 Patients Presenting to Primary Care during the Peak of the First Wave of the Pandemic in Qatar: Their Association with Clinical and Laboratory Findings. Hindawi. Pulmonary Medicine. 2021; 2021: 4496488. DOI: https://doi.org/10.1155/2021/4496488.
  • Meyer M., Clarke P., O'Regan A.W. Utility of the lateral chest radiograph in the evaluation of patients with a positive tuberculin skin test result. Chest. 2003; 124: 1824.
  • Geng E., Kreiswirth B., Burzynski J., Schluger N.W. Clinical and radiographic correlates of primary and reactivation tuberculosis: a molecular epidemiology study. JAMA. 2005; 293: 2740.
  • Khan M.A., Kovnat D.M., Bachus B. Clinical and roentgenographic spectrum of pulmonary tuberculosis in the adult. Am J Med. 1977; 62: 31. DOI: 10.1016/0002-9343(77)90346-1.
  • Restrepo C.S., Katre R., Mumbower A. Imaging Manifestations of Thoracic Tuberculosis. Radiol Clin North Am. 2016; 54: 453. DOI: 10.1016/j.rcl.2015.12.007.
  • Curry International Tuberculosis Center. Radiographic Manifestations of Tuberculosis: A Primer for Clinicians. Second Edition. URL: https://www.currytbcenter.ucsf.edu/products/view/radiographic-manifes-tations-tuberculosis-primer-clinicians-second-edition-cd-rom (дата обращения: 25.04.2024).
  • Ramona Cioboata, Viorel Biciusca, Mihai Olteanu, Corina Maria Vasile. COVID-19 and Tuberculosis: Unveiling the Dual Threat and Shared Solutions Perspective. J Clin Med. 2023; 12 (14): 4784. DOI: 10.3390/jcm12144784.
  • Chartrand G., Cheng P.M., Vorontsov E. Deep learning: a primer for radiologists. Radiographics. 2017; 37: 2113-2131.
  • Krizhevsky A., SutskeverI., Hinton G.E. Imagenet classification with deep convolutional neural networks. Adv Neural Inf Process Syst. 2012; 2012: 1097.
  • Stacey D., Légaré F., Lewis K., Barry M.J., Bennett C.L., Eden K.B., Holmes-Rovner M., Llewellyn-Thomas H., Lyddiatt A., Thomson R., Trevena L. Decision aids for people facing health treatment or screening decisions. Cochrane Database Syst. Rev. 2017; 4 (4): CD001431. DOI: 10.1002/ 14651858.CD001431.pub5.
  • Greenspan H., San José Estépar R., Niessen W.J., Siegel E., Nielsen M. Position paper on COVID-19 imaging and AI: From the clinical needs and technological challenges to initial AI solutions at the lab and national level towards a new era for AI in healthcare. Med. Image Anal. 2020: 66: 101800. DOI: 10.1016/j.media.2020.101800.
  • Corinne Merle, Vanessa Veronese, Debora Pedrazzoli. Determining the local calibration of computerassisted detection (CAD) thresholds and other parameters: a toolkit to support the effective use of CAD for TB screening. Geneva: World Health Organization; 2021. URL: https://iris.who.int/bitstream/han-dle/10665/345925/9789240028616-eng.pdf (дата обращения: 25.04.2024).
  • Andrew A.S. Soltan, Samaneh Kouchaki, TingtingZhu, Dani Kiyasseh, Thomas Taylor, Zaamin B. Hussain, Tim Peto, Andrew J. Brent, David W. Eyre, David Clifton. Artificial intelligence driven assessment of routinely collected healthcare data is an effective screening test for COVID-19 in patients presenting to hospital. medRxiv; 2020. URL: https://www.medrxiv.org/content/10.1101/2020.07.07.20148361v1.full.pdf+html (дата обращения: 25.04.2024). DOI: 10.1101/2020.07.07.20148361.
  • Visca D., Ong C.W.M., Tiberi S., Centis R., D'Ambrosio L., Chen B., Mueller J., Mueller P., Duarte R., Dalcolmo M., Sotgiu G., Migliori G.B., Goletti D. Tuberculosis and COVID-19 interaction: A review of biological, clinical and public health effects. Pulmonology. 2021; 27 (2): 151-165. DOI: 10.1016/j.pul-moe.2020.12.012.
  • Islam S.R., Maity S.P., Ray A.K., Mandal M. Deep learning on compressed sensing measurements in pneumonia detection. Int. J. Imaging Syst. Technol. 2022; 32 (1): 41-54. DOI: 10.1002/ima.22651.
  • Williams G.J., Macaskill P., KerrM., Fitzgerald D.A., Isaacs D., Codarini M., McCaskillM., Prelog K., Craig J.C. Variability and accuracy in interpretation of consolidation on chest radiography for diagnosing pneumonia in children under 5 years of age. Pediatr. Pulmonol. 2013; 48: 1195-1200. DOI: 10.1002/ ppul.22806.
  • Shamshad F., Khan S., Zamir S.W., Khan M.H., Hayat M., Khan F.S., Fu H. Transformers in medical imaging: A survey. Med Image Anal. 2023; 88: 102802. DOI: 10.1016/j.media.2023.102802.
  • Zhou S.K., Greenspan H., Davatzikos C., Duncan J.S., van Ginneken B., Madabhushi A., Prince J.L., Rueckert D., Summers R.M. A review of deep learning in medical imaging: Imaging traits, technology trends, case studies with progress highlights, and future promises. Proc IEEE Inst Electr Electron Eng. 2021; 109 (5): 820-838. DOI: 10.1109/JPROC.2021.3054390.
  • Lecun Y., Bottou L., Bengio Y., Haffner P. Gradient-based learning applied to document recognition, Proceedings of the IEEE. 1998; 86 (11): 2278-2324.
  • Manzari O.N., AhmadabadiH., KashianiH., Shokouhi S.B., Ayatollahi A. MedViT: A robust vision transformer for generalized medical image classification. Comput Biol Med. 2023; 157: 106791. DOI: 10.1016/j. compbiomed.2023.106791.
  • Xiaosong Wang, Yifan Peng, Le Lu, Zhiyong Lu, Mohammadhadi B., Ronald M.S. ChestX-ray8: Hospital-scale Chest X-ray Database and Benchmarks on Weakly-Supervised Classification and Localization of Common Thorax Diseases. IEEE Conference on Computer Vision and Pattern Recognition (CVPR); 2017: 3462-3471. URL: https://www.researchgate.net/publication/316736470_ChestX-ray8_Hospital-scale_Chest_X-ray_Database_and_Benchmarks_on_Weakly-Supervised_Classification_and_Localiza-tion_of_Common_Thorax_Diseases (дата обращения: 25.04.2024). DOI: 10.1109/CVPR.2017.369.
  • Jeremy Irvin, Pranav Rajpurkar, Michael Ko,Yifan Yu, Silviana Ciurea-Ilcus, Chris Chute, Henrik Marklund, Behzad Haghgoo, Robyn Ball, Katie Shpanskaya,Jayne Seekins, David A. Mong, Safwan S. Halabi, Jesse K. Sandberg, Ricky Jones, David B. Larson, Curtis P. Langlotz, Bhavik N. Patel, Matthew P. Lungren, Andrew Y. Ng. CheXpert: A Large Chest Radiograph Dataset with Uncertainty Labels and Expert Comparison. In AAAI Conference on Artificial Intelligence; 2019. URL: http://arxiv.org/ abs/1901.07031 (дата обращения: 25.04.2024).
  • Shih G., Wu C.C., Halabi S.S., Kohli M.D., Prevedello L.M., Cook T.S., Sharma A., Amorosa J.K., Arteaga V., Galperin-Aizenberg M., Gill R.R, Godoy M.C.B., Hobbs S., Jeudy J., Laroia A., Shah P.N.,
  • Vummidi D., Yaddanapudi K., Stein A. Augmenting the National Institutes of Health Chest Radiograph Dataset with Expert Annotations of Possible Pneumonia. Radiol Artif Intell. 2019; 1 (1): e180041. DOI: 10.1148/ryai.2019180041.
  • Johnson A.E.W., Pollard T.J., Berkowitz S.J., Greenbaum N.R., Lungren M.P., Deng C.Y., Mark R.G., Horng S. MIMIC-CXR, a de-identified publicly available database of chest radiographs with free-text reports. Sci Data. 2019; 6 (1): 317. DOI: 10.1038/s41597-019-0322-0.
  • Kahn C.E.Jr., Carrino J.A., Flynn M.J., Peck D.J., Horii S.C. DICOM and radiology: past, present, and future. J Am Coll Radiol. 2007; 4 (9): 652-657. DOI: 10.1016/j.jacr.2007.06.004.
  • Королюк И.П. Лучевая диагностика: учебник для вузов. 2020; 217.
  • MedCalc® Statistical Software version 22.021 (MedCalc Software Ltd, Ostend, Belgium). URL: https://www.medcalc.org (дата обращения: 25.04.2024).
  • DeLong E.R., DeLong D.M., Clarke-Pearson D.L. Comparing the areas under two or more correlated receiver operating characteristic curves: a nonparametric approach. Biometrics. 1988; 44: 837-845.
  • SayeedaRahman, Maria Teresa VillagomezMontero, KherieRowe. Epidemiology, pathogenesis, clinical presentations, diagnosis and treatment of COVID-19: a review of current evidence. Expert Rev Clin Pharmacol. 2021; 14 (5): 601-621. DOI: 10.1080/17512433.2021.1902303.
  • Goletti D., Delogu G., Matteelli A., Migliori G.B. The role of IGRA in the diagnosis of tuberculosis infection, differentiating from active tuberculosis, and decision making for initiating treatment or preventive therapy of tuberculosis infection. Int J Infect Dis. 2022; 124 (1): 12-19. DOI: 10.1016/ j.ijid.2022.02.047.
  • Corinne Merle, Vanessa Veronese, Debora Pedrazzoli. Determining the local calibration of computerassisted detection (CAD) thresholds and other parameters: a toolkit to support the effective use of CAD for TB screening. Geneva: World Health Organization; 2021. Licence: CC BY-NC-SA 3.0 IGO.
  • Cecily Miller, Annabel Baddeley, Dennis Falzon. WHO consolidated guidelines on tuberculosis. Module 2: screening - systematic screening for tuberculosis disease. Geneva: World Health Organization; 2021. URL: https://www.who.int/publications/i/item/9789240022676 (дата обращения: 25.04.2024).
  • Rajaraman S., Antani S. Weakly labeled data augmentation for deep learning: A study on COVID-19 detection in chest X-rays. Diagnostics. 2020; 10: 358. DOI: 10.3390/diagnostics10060358.
  • Abbas A., Abdelsamea M.M., Gaber M.M. Classification of COVID-19 in chest X-ray images using DeTraC deep convolutional neural network. Applied Intelligence. 2021; 51: 854-864. DOI: https://doi.org/ 10.1007/s 10489-020-01829-7.
  • Hall L.O, Paul R., Goldgof D.B., Rahul P., Gregory M. Finding covid-19 from chest x-rays using deep learning on a small dataset. arXiv preprintarXiv. 2020: 1-8. DOI: https://doi.org/10.48550/arXiv.2004.02060 (дата обращения: 25.04.2024).
  • Murphy K., SmitsH., Knoops A.J.G., KorstM.B.J.M., Samson T., ScholtenE.T., Schalekamp S., Schaefer-Prokop C.M., Philipsen R.H.H.M., Meijers A., Melendez J., van Ginneken B., Rutten M. COVID-19 on Chest Radiographs: A Multireader Evaluation of an Artificial Intelligence System. Radiology. 2020; 96 (3): 166-172. DOI: 10.1148/radiol.2020201874.
  • Holzinger A., Biemann C., Pattichis C.S., Douglas B.K. What do we need to build explainable AI systems for the medical domain? arXiv. 2017. DOI: https://doi.org/10.48550/arXiv.1712.09923.
Еще
Статья научная
QR-код для установки приложения SciUp Наведите камеру и скачайте бесплатное приложение SciUp