Detección da enfermidade COVID19 e triaxe de pacientes con intelixencia artificial aprendendo de ...

Detección da enfermidade COVID19 e triaxe de pacientes con intelixencia artificial aprendendo de radiografías de tórax

A análise automatizada de imaxes RXT empregando modelos de Intelixencia Artificial (IA) e Deep Learning (DL) ten un gran potencial para un diagnóstico rápido de COVID19. Un modelo de DL robusto e preciso pode servir como sistema de detección e soporte para a toma de decisións médicas. Un conxunto de estudos recentes afirman que acadou sensibilidades impresionantes (> 90%), superiores ás de radiólogos expertos (69%). Estas altas sensibilidades débense a nesgos no conxunto de datos máis utilizado, COVID19 Image Data Collection. Este conxunto inclúe un pequeno número de casos positivos de COVID19, procedentes de fontes moi heteroxéneas (polo menos 15 países) e a maioría dos casos están gravemente enfermos, o que reduce drasticamente o seu valor clínico. Para contrastar as clases que non son COVID, usan imaxes RXT de varios repositorios públicos de enfermidades pulmonares. Os modelos resultantes non teñen ningún valor clínico xa que non poderán detectar pacientes de gravidade baixa e moderada, que son o obxectivo dun sistema de cribado clínico. Ante esta situación, hai unha enorme necesidade de conxuntos de datos de maior calidade construídos baixo o mesmo protocolo clínico e en estreita colaboración con radiólogos expertos.

A aprendizaxe automática federada é un enfoque que permite que os modelos DL sexan adestrados localmente, de xeito distribuído, enviados a un servidor central onde se engaden os seus pesos e un modelo consolidado reenvíase a todos os dispositivos / nodos para seguir aprendendo. Utiliza conceptos de computación distribuída para facer un seguimento de cada modelo nos nodos e engadir e actualizar modelos en cada un dos nodos.

Obxectivos

O obxectivo xeral do proxecto é desenvolver un sistema robusto para a detección de COVID19 e pneumonías bacterianas e virais para a clasificación de pacientes. Divídese en cinco obxectivos específicos:

Ampliar a base de datos COVIDGR con radiografías COVID19 de diferentes hospitais nacionais e internacionais e facela pública.
Desenvolver un sistema intelixente que aumente a detección nas 3 etapas de gravidade de COVID19, co uso de técnicas de calidade de datos (datos intelixentes), DL e clasificación de varias clases e a posible inclusión de datos clínicos.
Desenvolver un modelo robusto en diferentes réximes de raios X (diferentes hospitais) usando aprendizaxe federada, detectando COVID19 para calquera máquina de raios X.
Desenvolver modelos de DL para distinguir entre COVID19 e diferentes enfermidades pulmonares, como derrame pleural, atelectasia, cardiomegalia, infiltrado, nódulo pulmonar, pneumonía, ...
Deseñar métodos para interpretar / explicar as decisións dos modelos DL empregando novas metodoloxías XAI.

A análise automatizada de imaxes RXT empregando modelos de Intelixencia Artificial (IA) e Deep Learning (DL) ten un gran potencial para un diagnóstico rápido de COVID19. Un modelo de DL robusto e preciso pode servir como sistema de detección e soporte para a toma de decisións médicas. Un conxunto de estudos recentes afirman que acadou sensibilidades impresionantes (> 90%), superiores ás de radiólogos expertos (69%). Estas altas sensibilidades débense a nesgos no conxunto de datos máis utilizado, COVID19 Image Data Collection. Este conxunto inclúe un pequeno número de casos positivos de COVID19, procedentes de fontes moi heteroxéneas (polo menos 15 países) e a maioría dos casos están gravemente enfermos, o que reduce drasticamente o seu valor clínico. Para contrastar as clases que non son COVID, usan imaxes RXT de varios repositorios públicos de enfermidades pulmonares. Os modelos resultantes non teñen ningún valor clínico xa que non poderán detectar pacientes de gravidade baixa e moderada, que son o obxectivo dun sistema de cribado clínico. Ante esta situación, hai unha enorme necesidade de conxuntos de datos de maior calidade construídos baixo o mesmo protocolo clínico e en estreita colaboración con radiólogos expertos. A aprendizaxe automática federada é un enfoque que permite que os modelos DL sexan adestrados localmente, de xeito distribuído, enviados a un servidor central onde se engaden os seus pesos e un modelo consolidado reenvíase a todos os dispositivos / nodos para seguir aprendendo. Utiliza conceptos de computación distribuída para facer un seguimento de cada modelo nos nodos e engadir e actualizar modelos en cada un dos nodos.O obxectivo xeral do proxecto é desenvolver un sistema robusto para a detección de COVID19 e pneumonías bacterianas e virais para a clasificación de pacientes. Divídese en cinco obxectivos específicos: <ol> <li>Ampliar a base de datos COVIDGR con radiografías COVID19 de diferentes hospitais nacionais e internacionais e facela pública.</li> <li>Desenvolver un sistema intelixente que aumente a detección nas 3 etapas de gravidade de COVID19, co uso de técnicas de calidade de datos (datos intelixentes), DL e clasificación de varias clases e a posible inclusión de datos clínicos.</li> <li>Desenvolver un modelo robusto en diferentes réximes de raios X (diferentes hospitais) usando aprendizaxe federada, detectando COVID19 para calquera máquina de raios X.</li> <li>Desenvolver modelos de DL para distinguir entre COVID19 e diferentes enfermidades pulmonares, como derrame pleural, atelectasia, cardiomegalia, infiltrado, nódulo pulmonar, pneumonía, ...</li> <li>Deseñar métodos para interpretar / explicar as decisións dos modelos DL empregando novas metodoloxías XAI.</li> </ol> - Manuel Mucientes Molina, María José Carreira Nouche - Nicolás Vila Blanco, José María Alonso Moral