Co bylo ve studii hodnoceno
Studie představuje implementaci systému asistivní diagnostiky založeného na konvoluční neuronové síti (CNN) (aplikace Carebot COVID) pro detekci COVID-19 z rentgenových snímků hrudníku. Model využívá architekturu DenseNet/ResNet a je navržen tak, aby byl nasazen přímo do klinických pracovních toků zobrazování (např. DICOM prohlížečů) jako součást každodenní radiologické praxe. Cílem je otestovat proveditelnost integrace hlubokého učení do rutinní interpretace CXR pro screening infekčních onemocnění. arXiv
Výsledky studie v klinické praxi
V retrospektivním hodnocení model CNN dosáhl velmi vysokého výkonu klasifikace při rozlišování případů COVID-19 na rentgenových snímcích hrudníku. I když je tato studie předpublikovaná a nebyla posuzována kolegy, výsledky naznačují silný potenciál pro AI podporovat rychlý screening a triáž v prostředích, kde může být omezeno PCR nebo rychlé testování a kde je vysoká zátěž radiologie. Klinicky to znamená, že systém by mohl pomoci snížit míru přehlédnutí infekčních případů a asistovat méně zkušeným lékařům při označování pravděpodobných nálezů COVID-19 k dalšímu přezkoumání. arXiv
Hlavní čísla
Architektura modelu: DenseNet + ResNet CNN
Přesnost: 98,1%
Recall (citlivost): 96,2%
Průměrná přesnost (AP): 99,3%
(Jak bylo uvedeno v předpublikované validaci.) arXiv
Jedním z kritických nástrojů pro včasné zjištění a následné vyhodnocení výskytu plicních onemocnění je rentgen hrudníku. Tato studie představuje reálnou implementaci aplikace Carebot Covid založené na konvoluční neuronové síti (CNN) pro detekci COVID-19 z rentgenových snímků hrudníku (CXR). Náš navržený model má podobu jednoduché a intuitivní aplikace. Použitá CNN může být nasazena jako predikční koncový bod STOW-RS pro přímou implementaci do DICOM prohlížečů. Výsledky této studie ukazují, že model hlubokého učení založený na architektuře DenseNet a ResNet může detekovat SARS-CoV-2 z CXR snímků s přesností 0,981, citlivostí 0,962 a AP 0,993.
