Быстрая и точная клиническая оценка прогрессирования заболевания и смертности жизненно важна для ведения пациентов с COVID-19. Хотя было предложено несколько предикторов, они были ограничены субъективной оценкой, полуавтоматическими схемами или контролируемыми подходами к глубокому обучению. Такие предикторы субъективны или требуют кропотливого аннотирования обучающих примеров.
В многоцентровом исследовании, опубликованном в журнале Medical Image Analysis, исследовательская группа под руководством Хироюки Йошида, доктора философии.D., Директор отдела исследований 3D-изображений в Массачусетской больнице общего профиля (MGH), показал, что неконтролируемое глубокое обучение на основе компьютерной томографии может обеспечить значительно более высокие прогностические характеристики, чем установленные лабораторные тесты и существующие визуальные и количественные предикторы выживаемости на основе изображений. Модель может предсказывать для каждого пациента время, когда COVID-19 прогрессирует, и, следовательно, время, когда пациент поступает в отделение интенсивной терапии или когда пациент болен, чего не могут сделать другие модели прогнозирования на основе изображений. Информация о времени, рассчитанная с помощью модели, также позволяет разделить пациентов на группы низкого и высокого риска с более широким диапазоном, чем это возможно с другими предикторами.
"Наши результаты показывают, что производительность прогнозирования модели искусственного интеллекта без учителя была значительно выше, а ошибка прогнозирования значительно ниже, чем у ранее установленных эталонных предикторов," говорит Ёсида. "Использование неконтролируемого ИИ в качестве неотъемлемой части модели прогнозирования выживаемости позволяет выполнять прогностические прогнозы непосредственно на основе исходных компьютерных томографов пациентов с более высокой точностью, чем это было возможно ранее при количественной визуализации."
В сопутствующем исследовании, которое было недавно опубликовано в журнале Nature, команда уже показала, что контролируемый ИИ может использоваться для прогнозирования выживаемости пациентов с COVID-19 по их КТ-изображениям грудной клетки. Однако новая модель искусственного интеллекта без учителя открывает новые возможности, избегая технических ограничений и трудоемких усилий по аннотации предыдущих предсказателей, поскольку использование генеративной состязательной сети позволяет обучать полную модель сквозного анализа выживаемости непосредственно из изображения. "Это гораздо более точная и продвинутая технология искусственного интеллекта," Ёсида объясняет.
Хотя исследование было ограничено пациентами с COVID-19, команда считает, что модель может быть распространена и на другие заболевания. "Такие проблемы, как Long COVID, вариант Delta или обобщение модели на другие заболевания, проявляющиеся на медицинских изображениях, являются многообещающими применениями этой модели неконтролируемого ИИ," говорит Ёсида.