Tomografia mais aprendizagem profunda distingue COVID-19 de outras pneumonias
Os resultados podem tornar a TC uma ferramenta ainda mais eficaz em meio à pandemia COVID-19.
Um algoritmo de aprendizagem profunda melhora a capacidade da TC de distinguir entre COVID-19 e outras pneumonias, de acordo com um estudo publicado em 27 de fevereiro na Interdisciplinary Sciences: Computational Life Sciences. Os resultados podem tornar a TC uma ferramenta ainda mais eficaz em meio à pandemia COVID-19 e além, escreveu uma equipe liderada pelo Dr. Fudan Zheng, da Sun Yat-Sen University em Guangzhou, China.
"A detecção de TC [de COVID-19] está se tornando uma ferramenta importante na detecção de pacientes infectados por causa de sua rapidez e baixa taxa de falsos negativos ... [mas] o grande número de imagens de TC representa um grande fardo para os médicos lê-las", grupo escreveu. "[É] crítico desenvolver um sistema que possa não só diagnosticar COVID-19 quando ele está em surto intensivo, mas também distinguir COVID-19 dos exames de rotina quando o surto está sob controle. Portanto, é urgente desenvolver com auxílio de computador Sistemas de diagnóstico por tomografia computadorizada para auxiliar os médicos na identificação de casos suspeitos. "
A inteligência artificial com TC para COVID-19 tem sido normalmente usada para identificar pessoas infectadas ou para diferenciar pacientes com COVID-19 daqueles com pneumonia bacteriana. Mas há menos dados sobre o uso de IA e TC para distinguir a pneumonia por COVID-19 de outros tipos de infecção viral. O grupo de Zheng conduziu um estudo que incluiu 659 pacientes. O grupo desenvolveu um algoritmo de aprendizado profundo que combinou o backbone ResNet50 com blocos de compressão e excitação (SE) e investigou se o algoritmo poderia distinguir entre os seguintes quatro tipos de exames de TC:
- COVID-19 (262)
- Pneumonia bacteriana (100)
- Pneumonia viral (219)
- Controles saudáveis (78)
A equipe de Zheng mediu a área do modelo sob a curva de operação do receptor (AUC), sua pontuação F1 (que mede a precisão de um modelo), sua precisão e sua taxa de recuperação. Os valores de pontuação F1, precisão e taxa de recuperação foram calculados por fórmulas matemáticas, com valores mais altos indicando melhor desempenho; em particular, um valor alto de recordação foi importante "porque uma recordação mais alta significa que menos pacientes COVID-19 serão perdidos, o que pode prevenir infecções futuras por diagnósticos perdidos", escreveu o grupo.
Os pesquisadores descobriram que o modelo de aprendizado profundo teve uma AUC de precisão geral de 0,94 para distinguir entre os quatro tipos de exames de TC e que teve um desempenho eficaz também entre as outras métricas.
Desempenho do algoritmo de aprendizado profundo na distinção entre pacientes saudáveis, pacientes COVID-19 e aqueles com outras pneumonias
|
||||
Medir | Pacientes saudáveis | Pacientes com pneumonia bacteriana | Pneumonia viral típica | Pacientes COVID-19 |
AUC | 0,99 | 0,97 | 0,95 | 0,93 |
Pontuação F1 (medida de precisão) | 0,98 | 0,98 | 0,89 | 0,91 |
Precisão | 1 | 0,97 | 0,96 | 0,85 |
Lembrar | 0,97 | 1 | 0,83 | 0,97 |
O modelo se mostra promissor para ajudar os médicos a diagnosticar melhor os pacientes que apresentam sintomas de pneumonia, de acordo com os autores. “Este modelo tem o potencial de se tornar uma ferramenta usada diariamente pelos médicos para classificar pacientes com pneumonia, especialmente quando o COVID-19 pode se tornar um vírus existente de longo prazo”, concluíram.
Fonte: https://www.auntminnie.com/index.aspx?sec=sup&sub=aic&pag=dis&ItemID=131711
A PHP Error was encountered
Severity: Warning
Message: sizeof(): Parameter must be an array or an object that implements Countable
Filename: front/noticias-detalhe.php
Line Number: 15
A PHP Error was encountered
Severity: Warning
Message: sizeof(): Parameter must be an array or an object that implements Countable
Filename: front/noticias-detalhe.php
Line Number: 32
Compartilhe
NOTÍCIAS RELACIONADAS
publicidade
MAIS LIDAS
publicidade