Εχεις καθαρή ακτινογραφία θώρακος, δεν έχει σημασία η Τεχνητή Νοημοσύνη σε κατατάσσει σε κοβιντ ασθενή και σε απομονώνουν. Αυτή γνωρίζει καλύτερα.

Εχεις πνευμονία απο διαφορετικά παθογόνα και δεν είναι λίγα, οχι η ΤΝ σε κατατάσσει με κοβίντ, απομονώνουν.Αυτή γνωρίζει καλύτερα.

Ποια μπορεί να είναι τα παθογόνα που προκαλλούν πνευμονία;;

Streptococcus pneumoniae, επίσης γνωστός ως πνευμονιόκοκκος. Ο S. pneumoniae αποτελεί μείζον αίτιο ασθένειας και θανάτου σε παιδιά και ενήλικες παγκοσμίως. Άλλα βακτήρια που μπορεί να προκαλέσουν πνευμονία είναι ο Staphylococcus aureus (ή «χρυσίζων σταφυλόκοκκος») αλλά και τα βακτήρια Klebsiella pneumoniae, Legionella pneumophila, Mycoplasma pneumoniae και αιμόφιλος της ινφλουέντζας τύπου β (Haemophilus influenzae τύπου b, Hib).

Ιοί: Η πνευμονία μπορεί επίσης να οφείλεται σε αναπνευστικούς ιούς, όπως μεταξύ άλλων οι ιοί της γρίπης, ο αδενοϊός και ο αναπνευστικός συγκυτιακός ιός (RSV).

Μύκητες: Στα βρέφη που έχουν μολυνθεί με τον ιό HIV, ο μύκητας Pneumocystis jiroveci αποτελεί ένα από τα συνηθέστερα αίτια της πνευμονίας.

Οι ερευνητές χρησιμοποιούν προηγμένα μοντέλα βαθιάς μάθησης για να δημιουργήσουν ένα σύστημα AI που μπορεί να βοηθήσει στον εντοπισμό του COVID-19 σε λίγα λεπτά.

Μια διεθνής ομάδα ερευνητών εκπαίδευσε ένα μοντέλο τεχνητής νοημοσύνης (AI) για να ταξινομήσει και να συνδυάσει ακτινολογικά δεδομένα και κλινικές πληροφορίες για τη γρήγορη και ακριβή διάγνωση ασθενών με COVID-19.

«Το σύστημα τεχνητής νοημοσύνης θα μπορούσε να επισημάνει γρήγορα ύποπτα περιστατικά, ώστε οι ακτινολόγοι να μπορούν να εξετάσουν εκείνα με υψηλότερη προτεραιότητα», λέει ο Zahi Fayad, συν-συγγραφέας της μελέτης και καθηγητής ακτινολογίας και ιατρικής στη Σχολή Ιατρικής του Mount Sinai, Νέα Υόρκη, ΗΠΑ.

«Εάν οι ακτινολόγοι διαγνώσουν επίσης αυτούς τους ασθενείς που έχουν προσδιοριστεί με την AI ως COVID, αυτοί οι ασθενείς μπορούν να απομονωθούν πριν λάβουν τα αποτελέσματα των δοκιμών RT-PCR».

Οι ερευνητές εκπαίδευσαν το σύστημά τους χρησιμοποιώντας σύνολα δεδομένων από 905 ασθενείς από διαφορετικά ιατρικά κέντρα και νοσοκομεία σε όλη την Κίνα μεταξύ Ιανουαρίου και Μαρτίου 2020. Το εκπαιδευμένο μοντέλο δοκιμάστηκε σε ένα σύνολο 279 ασθενών και είχε καλή απόδοση, με ποσοστό εμπιστοσύνης 84%.

Το μοντέλο βελτίωσε την ανίχνευση αναγνωρίζοντας σωστά τη μόλυνση COVID-19 σε 17 από τους 25 ασθενείς που παρουσίασαν φυσιολογικές αξονικές τομογραφίες και οι οποίοι είχαν προηγουμένως ταξινομηθεί ως COVID-19 αρνητικοί από ακτινολόγους!!!!!

Αφού η τεχνητή νοημοσύνη διαβάζει καλύτερα τις ακτινογραφίες τι να πω.Τέρμα και οι ακτινολόγοι.

Οι αλγόριθμοι ενσωματώνουν τις αξονικές τομογραφίες θώρακος, με πληροφορίες όπως την ηλικία και το φύλο του ασθενούς, τα συμπτώματα και το ιστορικό έκθεσης για τον εντοπισμό λοίμωξης SARS-CoV-2 στα αρχικά στάδια. Το μοντέλο μπορεί να λειτουργήσει παράλληλα με δοκιμές ρουτίνας, όπως η αλυσιδωτή αντίδραση πολυμεράσης αντίστροφης μεταγραφάσης (RT-PCR), για τη μείωση της συχνότητας των ψευδών αρνητικών και τη μείωση του κινδύνου μετάδοσης ιών.

Μπἀ έχουμε και ψευδώς αρνητικά;;Για τα ψευδώς θετικά ούτε λόγος.

Ο Fayad εξηγεί ότι δημιούργησαν τρία μοντέλα για δοκιμές: ένα βαθύ συνελικτικό νευρικό δίκτυο (CNN) που χρησιμοποίησε μόνο αξονική τομογραφία. ένα μοντέλο που χρησιμοποίησε μηχανή φορέα υποστήριξης (SVM) και τυχαίο και πολυστρωματικό perceptron (MLP) για την ταξινόμηση των κλινικών δεδομένων · και μια κοινή που ενσωματώνει αξονική τομογραφία με κλινικά δεδομένα.

Τα δεδομένα ασθενών εισήχθησαν στο σύστημα AI ως αριθμητικές τιμές 1 και 0 - με 1 να αντιπροσωπεύει την παρουσία συμπτωμάτων, επιβεβαιωμένο ταξίδι στο Wuhan ή στενή επαφή με θετικά περιστατικά και 0 δεν αντιπροσωπεύει συμπτώματα ή σύνδεση με το Wuhan ή οποιονδήποτε μεταφέρει τον ιό. Τα CT θώρακος εισήχθησαν στο σύστημα ως τιμές pixel. Τα δεδομένα στη συνέχεια μετατρέπονται σε διανύσματα που συνδυάζονται και χρησιμοποιούνται για την πραγματοποίηση προβλέψεων.

Το προτεινόμενο σύστημα AI συγκρίνεται γρήγορα με τις συμβατικές διαγνωστικές μεθόδους, αποδίδοντας αποτελέσματα σε ένα λεπτό ή λιγότερο χρησιμοποιώντας υπολογιστές που υποστηρίζονται από GPU και σε λίγα λεπτά με μηχανήματα που βασίζονται σε CPU. Οι δοκιμές RT-PCR χρειάζονται συνήθως δύο ημέρες για να ολοκληρωθούν.

Για να είναι αξιόπιστο το σύστημα, ωστόσο, οι ερευνητές λένε ότι θα πρέπει να συλλέξουν περισσότερες σαρώσεις και δεδομένα από πολλές χώρες. Το προτεινόμενο μοντέλο φέρνει επίσης μερικούς περιορισμούς, όπως μια προκατάληψη στα δεδομένα εκπαίδευσης σε ασθενείς με COVID-19, σε αντίθεση με άλλες λοιμώξεις και πνευμονίες που παρουσιάζουν παρόμοια συμπτώματα.Εδώ γελάμε.

Οι ερευνητές σκοπεύουν να βελτιώσουν τις προβλέψεις ενημερώνοντας την αρχιτεκτονική του μοντέλου τους σε ένα τρισδιάστατο πλέγμα που ενσωματώνει περισσότερα καρέ από την απεικόνιση CT. Ο Fayad εξηγεί ότι «το τρέχον μοντέλο αναπτύχθηκε σε επίπεδο slice. Μόνο βασικά ύποπτα πλαίσια χρησιμοποιήθηκαν από αξονικές τομογραφίες λόγω της αντιστάθμισης μεταξύ αποδοτικότητας και χρόνου στροφής. "

Επίσης και οι πρωτοπόροι στην ''πανδημία'' οι Κινέζοι ανάπτυξαν και αυτοί μοντέλα.

Ο Lin Li, από το Λαϊκό Νοσοκομείο Wuhan Huangpi στην Κίνα, και οι συνεργάτες του ανέπτυξαν ένα πλήρως αυτόματο πλαίσιο για την ανίχνευση της COVID-19 χρησιμοποιώντας CT θώρακος σε μια αναδρομική και πολυκεντρική μελέτη. Για την εξαγωγή οπτικών χαρακτηριστικών από ογκομετρικές εξετάσεις CT θώρακος, αναπτύχθηκε ένα μοντέλο νευρωνικού δικτύου ανίχνευσης COVID-19 βαθιάς μάθησης. Για να ελέγξουν την ανθεκτικότητα του μοντέλου, συμπεριλήφθηκαν CAP και άλλες εξετάσεις CT μη πνευμονίας.

Τι είναι το μοντέλο νευρωνικού δικτύου ανίχνευσης βαθιάς μάθησης;;

Η νέα τεχνολογία συνδυάζει την ασύρματη παρακολούθηση με την τεχνητή νοημοσύνη για να προσδιορίσει πότε ένας ασθενής χρησιμοποιεί στυλό ινσουλίνης ή συσκευή εισπνοής και επισημαίνει πιθανά σφάλματα στη μέθοδο χορήγησης του ασθενούς. "Μερικές προηγούμενες εργασίες αναφέρουν ότι έως και το 70% των ασθενών δεν παίρνουν την ινσουλίνη τους όπως συνταγογραφείται και πολλοί ασθενείς δεν χρησιμοποιούν σωστά τις συσκευές εισπνοής", λέει η Dina Katabi, η καθηγήτρια Andrew και Erna Viteri στο MIT, της οποίας η ερευνητική ομάδα έχει λύση.Οι ερευνητές λένε ότι το σύστημα, το οποίο μπορεί να εγκατασταθεί σε ένα σπίτι, θα μπορούσε να προειδοποιήσει τους ασθενείς και τους φροντιστές για σφάλματα φαρμάκων και ενδεχομένως να μειώσει τις περιττές επισκέψεις στο νοσοκομείο.

Το σύστημά τους μπορεί να χωριστεί σε τρία ευρεία στάδια. Πρώτον, ένας αισθητήρας παρακολουθεί τις κινήσεις του ασθενούς σε ακτίνα 10 μέτρων, χρησιμοποιώντας ραδιοκύματα που αντανακλούν το σώμα τους. Στη συνέχεια, η τεχνητή νοημοσύνη καθαρίζει τα ανακλώμενα σήματα για σημάδια ενός ασθενούς που χορηγεί μια συσκευή εισπνοής ή ένα στυλό ινσουλίνης. Τέλος, το σύστημα ειδοποιεί τον ασθενή ή τον πάροχο υγειονομικής περίθαλψης όταν εντοπίσει σφάλμα στην αυτοδιοίκηση του ασθενούς.

Οι ερευνητές προσάρμοσαν τη μέθοδο ανίχνευσής τους από μια ασύρματη τεχνολογία που είχαν προηγουμένως χρησιμοποιήσει για να παρακολουθούν τις θέσεις ύπνου των ανθρώπων. Ξεκινά με μια επιτοίχια συσκευή που εκπέμπει ραδιοκύματα πολύ χαμηλής ισχύος. Όταν κάποιος κινείται, διαμορφώνει το σήμα και το αντανακλά πίσω στον αισθητήρα της συσκευής. Κάθε μοναδική κίνηση αποδίδει ένα αντίστοιχο μοτίβο διαμορφωμένων ραδιοκυμάτων που η συσκευή μπορεί να αποκωδικοποιήσει. "Ένα ωραίο πράγμα για αυτό το σύστημα είναι ότι δεν απαιτεί από τον ασθενή να φοράει αισθητήρες", λέει ο Zhao. "Μπορεί ακόμη και να λειτουργήσει με Wi-Fi όταν βρίσκεστε σε διαφορετικό δωμάτιο από το δρομολογητή σας."

Ο νέος αισθητήρας κάθεται στο παρασκήνιο στο σπίτι, όπως ένας δρομολογητής Wi-Fi και χρησιμοποιεί τεχνητή νοημοσύνη για να ερμηνεύσει τα διαμορφωμένα ραδιοκύματα. Η ομάδα ανέπτυξε ένα νευρικό δίκτυο για να εισέλθει σε μοτίβα που δείχνουν τη χρήση μιας συσκευής εισπνοής ή ινσουλίνης. Εκπαίδευσαν το δίκτυο για να μάθουν αυτά τα μοτίβα εκτελώντας παραδείγματα κινήσεων, κάποια σχετικά (π.χ. χρήση εισπνευστήρα) και μερικά όχι (π.χ. φαγητό). Μέσω της επανάληψης και της ενίσχυσης, το δίκτυο εντόπισε με επιτυχία το 96% των χορηγήσεων στυλό ινσουλίνης και το 99% των χρήσεων της συσκευής εισπνοής.