استفاده از تجزیه پراکنده پیش‌بینی‌کننده انباشته (Stacked PSD) در فضای سیگنال عروق مانند از گروه آموزشی، هشت IB مرتبط با COVID-19 را کشف کرد. همانطور که توسط تجزیه و تحلیل مؤلفه اصلی (PCA) و خوشه‌بندی ارزیابی می‌شود، هر یک از بیماران مبتلا به کووید-19 و سایر بیماران فراوانی متفاوتی داشتند. یک مدل طبقه‌بندی تصادفی جنگل برای غربالگری COVID-19 بر اساس این IBها در گروه آموزشی نشان داد که هر IB در طول غربالگری به‌طور متفاوتی مشارکت می‌کند. IB-163 بهترین عملکرد نشانگر زیستی را ارائه داد [ared under the curve (AUC) = 0.893].
بسیاری از مدل‌های انتها به انتها به گروه‌های آموزشی بزرگ و منابع محاسباتی بیش از حد نیاز دارند. این مطالعه یک چارچوب یادگیری بدون نظارت را با استراتژی استخراج IB پیش‌خور توسعه داد که فقط شامل غیرخطی بودن عنصر و ضرب ماتریس بود. با این حال، با استفاده از یک گروه آموزشی کوچک (n = 116) عملکرد غربالگری برتر، مقیاس پذیر و پایدار را ارائه داد.
در مطالعه حاضر، محققان 419 بیمار از دو بیمارستان در چین را با ترکیب هوش مصنوعی (AI) و یافته‌های بالینی در مورد تغییرات عروقی در مناطق ریه با رویکرد زیست‌شناسی سیستم غربالگری کردند. همه بیماران COVID-19 بر اساس معیارهای کمیسیون بهداشت ملی جمهوری خلق چین، بین ژانویه 2020 تا مارس 2020 تشخیص بیماری خفیف تا متوسط را تأیید کرده بودند. این تیم بیماران سالم و بیماران CAP را به‌طور تصادفی از همان دو بیمارستان انتخاب کردند و از آنها به‌عنوان کنترل در گروه‌های آموزشی و اعتبارسنجی به‌طور مستقل استفاده کردند. بیماران کنترل نیز چند ماه قبل از شروع همه‌گیری کووید-19، عفونت‌های ریوی را از طریق تصویربرداری CT تشخیص داده بودند.
در مطالعه اخیر منتشر شده در مرزها در بهداشت عمومیمحققان نشان دادند که سیگنال‌های عروق مانند (N) در اسکن‌های سی تی اسکن سینه می‌توانند به عنوان نشانگرهای زیستی تصویربرداری قوی (IBs) غربالگری بیماری کروناویروس در مراحل اولیه ۲۰۱۹ (COVID-19) عمل کنند. آنها همچنین این IB های مرتبط با بالینی را تأیید کردند، بنابراین، امکان جدیدی را برای کمک به غربالگری بیماران COVID-19 باز کردند. مهمتر از همه، این IB ها پتانسیل قابل توجهی برای کاهش بار کاری پزشکان و کمک به تشخیص COVID-19 از سایر بیماری های ریوی نشان دادند.
زمینه
اعتبار سنجی دوسوکور در بیمارستان ها و اسکنرهای سی تی تایید کرد که IB های شناسایی شده در این مطالعه می توانند قوی و موثر در تنظیمات بالینی دنیای واقعی کار کنند. آنها عملکرد بهتری نسبت به رادیولوژیست های با تجربه COVID-19 داشتند، به خصوص برای موارد مبهم، که در مرحله اولیه غربالگری COVID-19 رایج است.
این تیم از دو رادیولوژیست با بیش از دو ماه تجربه شدید و مداوم تشخیص COVID-19 در ووهان، چین دعوت کرد تا به طور مستقل و کورکورانه تصاویر CT را در گروه اعتبارسنجی مطالعه ارزیابی کنند. در نهایت، آنها از آزمون ناپارامتریک Mann-Whitney برای تعیین تفاوت در سیگنال‌های عروق مانند و فراوانی IBهای فردی در بین گروه‌های مختلف استفاده کردند. به همین ترتیب، آنها از رگرسیون لجستیک برای یافتن ارتباط بین امضاهای ریوی و COVID-19 استفاده کردند.
یافته های مطالعه
حتی در گروه اعتبارسنجی، آن هشت IB از پیش شناسایی شده به وضوح بیماران COVID-19 را از دیگران جدا کردند. به طور دلگرم کننده، مدل جنگل تصادفی بر اساس IB های از پیش به دست آمده COVID-19 را با حساسیت عالی (0.941) و دقت (0.931) پیش بینی کرد و به خوبی با دو رادیولوژیست قفسه سینه با تجربه COVID-19 رقابت کرد. به جز IB-88، همه IB ها تمایزات ادراکی و کمی را برای دو موردی که توسط رادیولوژیست های شرکت کننده به اشتباه تشخیص داده شده بودند، ارائه کردند که غربالگری دقیق را با اطمینان بیش از 96 درصد ممکن می ساخت.
نتیجه گیری
تصویربرداری ریوی، به ویژه سی تی اسکن قفسه سینه، می تواند نقش منحصر به فردی در تشخیص کووید-19 در مراحل اولیه داشته باشد. کدورت های شیشه زمینی (GGOs) یک کانونی را در ریه های بیماران COVID-19 در مراحل اولیه عفونت تشخیص می دهد. با پیشرفت بیماری، GGO ها به کل ریه نفوذ کرده و به صورت ضایعاتی ظاهر می شوند. تصاویر سی تی ریه همچنین می تواند به ردیابی تغییرات ریه در بیماران مبتلا به کووید-19 که تست NA منفی دارند کمک کند.
با این حال، آنچه استفاده از اکثر مطالعات محاسباتی مبتنی بر CT قفسه سینه را محدود می کند، این واقعیت است که فقدان ویژگی های معمولی در بیماران مبتلا به کووید-19 در مراحل اولیه وجود دارد. علاوه بر این، بیماران مبتلا به پنومونی اکتسابی از جامعه (CAP) دارای ویژگی های CT قفسه سینه گمراه کننده هستند.
در مورد مطالعه
در مقایسه با بیماران سالم و CAP، بیماران COVID-19 تغییرات عروقی بیشتری در ریه داشتند. به طور شگفت انگیزی، میانگین شدت ساختارهای عروق مانند شناسایی و افزایش یافته توسط ITV در ناحیه ریه در گروه آموزشی، تفاوت های آماری معنی داری را بین بیماران سالم، CAP و COVID-19 نشان داد (05/0p<).
کمبود کیت های تشخیص نوکلئیک اسید (NA) و متخصصان متخصص در بسیاری از کشورها وجود دارد که امکان تشخیص COVID-19 را در مراحل اولیه از طریق آزمایش های تشخیصی محدود می کند. بار ویروسی نسبتا کم در مراحل اولیه بیماری همچنین منجر به منفی کاذب یا حساسیت محدود تست‌های واکنش زنجیره‌ای پلیمراز رونویسی معکوس (RT-PCR) می‌شود. سپس، بخش قابل توجهی از بیماران حتی علائم بالینی معمولی را در طول شروع بیماری ندارند.
از 419 شرکت کننده در مطالعه، 116 بیمار از بیمارستان A و 303 بیمار از بیمارستان B به ترتیب به عنوان مجموعه آموزشی و یک مجموعه اعتبارسنجی دوسوکور خدمت کردند. میانگین سنی (بر حسب سال) شرکت‌کنندگان در این دو گروه 42 و 51 سال بود. درصد زنان و مردان در گروه‌های آموزشی و اعتبارسنجی 45.7 درصد در مقابل 54.3 درصد و 53.1 درصد در مقابل 46.9 درصد بود. تعداد بیماران COVID-19، شرکت کنندگان سالم و بیماران CAP در گروه آموزشی به ترتیب 47، 20 و 49 نفر بود. به همین ترتیب، گروه اعتبارسنجی به ترتیب دارای 153، 60 و 90 بیمار COVID-19، شرکت کننده سالم و بیماران CAP بود.
علاوه بر این، محققان از دو اسکنر سی تی سی‌تی متفاوت، GE Optima 660 CT و uCT 530 با ولتاژ لوله 120 کیلوولتاژ پیک (kVp) و ضخامت بازسازی 0.625 و 1.5 میلی‌متر استفاده کردند. آنها سیگنال(های) عروق مانند را در نواحی ریه از پیش قطعه بندی شده بیماران در سه بعدی (3D) با استفاده از رای گیری مماس تکراری (ITV) تشخیص دادند. آنها هر تصویر CT سینه سه بعدی را در فضای تصویر ایزوتروپیک و به دنبال آن ITV نمونه برداری کردند.
به طور خلاصه، نویسندگان یک روش غربالگری کووید-19 قوی، دقیق و مقرون به صرفه ایجاد کردند که بینش‌های بالینی را فراتر از عملکرد بالینی موجود و دامنه بسیاری از سیستم‌های هوش مصنوعی سرتاسر موجود ارائه کرد. با بداهه‌پردازی‌ها، می‌تواند پیش‌بینی پیش‌آگهی و نتایج بالینی بیماران COVID-19 را در مراحل اولیه تسهیل کند.