COVID-19-Prognose mit künstlicher Intelligenz (AI)
Die KI-gestützte Lungenbildanalyse verbessert die Beurteilung des Schweregrads und verringert die Überlastung der Intensivstation durch Aufnahmekriterien. Eine Ausweitung der KI-Forschung ist unerlässlich zur Integration in die klinische Praxis, und um sich auf künftige Pandemien vorzubereiten.
Hintergrund
Die Segmentierung von Covid-19 und die Quantifizierung des Anteils der Lunge mithilfe Deep Learning sind vielversprechend. Allerdings gibt es Unterschiede zwischen klinischen Studien und Forschung der KI-Gemeinschaften. Zur Integration von KI in die klinische Praxis müssen Herausforderungen bei der Klassifizierung des Schweregrads, Charakterisierung von Lungenläsionen, Integration von Bildgebungsdaten, Quantifizierung des Long-Covid-Schweregrads und dem Verständnis der Phasen bewältigt werden.
Ziel
Ziel dieser Studie war die Entwicklung eines modularen, KI-basierten Ansatzes zur Modellierung des aktuellen Zustands einer Patientin, eines Patienten und zur Vorhersage des Verlaufs von Covid-19. Die spezifischen Ziele waren die Einrichtung eines Systems zur Bewertung des Schweregrads, die Vorhersage, ob Patientinnen und Patienten nach sieben Tagen intubiert werden müssen und die Entwicklung eines KI-Modells zur Vorhersage des Schweregrads der Covid-19-Erkrankung.
Resultate
Unser KI-Modell AssessNet-19 erreichte einen F1-Score von 0,76±0,02 für die Schweregradklassifikation in der Auswertungsgruppe, was den drei Thoraxradiologen (F1=0,63±0,02) und dem Single Class-Läsionssegmentierungsmodell (F1=0,64±0,02) überlegen war. Darüber hinaus erzielte die automatisierte Mehrklassen-Läsionssegmentierung mit AssessNet-19 einen mittleren Dice-Score von 0,70 für die Grundglastrübung (GGO), 0,68 für die Konsolidierung, 0,65 für den Pleuraerguss und 0,30 für bandartige Strukturen im Vergleich zur Ground truth. Darüber hinaus erzielte es eine hohe Übereinstimmung mit Fachpersonen aus der Radiologie bei der Quantifizierung des Ausmasses der Krankheit mit Cohen's Kappa von 0,94, 0,92 und 0,95.
Übertragbare Vision-Transformer, die von GGO und CON-Maske geleitet werden, erreichten einen F1-Score von 0,6972 und einen AUC von 0,7452 für die 7-Tage-Intubationsvorhersage im Testset. Es übertrifft den auf DRRs trainierten und auf XRs getesteten Vision Transformer mit einem F1-Wert von 0,5819 und einem AUC-Wert von 0,6785. Darüber hinaus erzeugt der übertragbare Vision-Transformer, der von GGO und CON-Maske geleitet wird, natürliche Karten der Aufmerksamkeit zusammen mit den Vorhersageergebnissen, die die wichtigen Regionen für die Modellvorhersage zeigen.
Beitrag zur Bewältigung der aktuellen Pandemie
Wir haben einen multizentrischen Covid-19-Datensatz zur Verfügung gestellt: kuratierte, etikettierte, vielfältige radiologische, klinische und Labordaten, die Verzerrungen reduzieren und die Generalisierungsmöglichkeit mit unterschiedlichen Fällen, Schweregraden, CT-Scan-Quellen und Kontrastmittelverwendung verbessern.
Ein neues KI-Multiklassen-Radiomodell, das sieben Lungenläsionen zur Bewertung des Schweregrads umfasst, bestimmt den Schweregrad von Covid-19 genauer als ein Einklassenmodell und die Einschätzung von Radiologinnen und Radiologen.
Originaltitel
AI-multi-omics-based Prognostic Stratification of COVID-19 Patients in Acute and Chronic State