跳到内容

特点:教师的见解

 

来自世界各地的教师剑桥图像分析组的数学澳门赌场和临床医生和研究人员之间的合作正在开发一个AI工具与诊断covid-19,使预后的感染患者的帮助。

控制covid-19大流行,并且将死亡人数尽可能低,这是必须快速诊断谁有疾病的人。这是使用实验室测试完成,但没有测试是100%准确。所述covid-19测试有假阴性(30%),其指示患者是明确的,而实际上它们具有所述疾病,并导致晚期诊断和治疗的相对高的速率。这不仅产生更坏的结果为患者,也意味着他们可以进一步传播疾病,当他们出院。当测试不正确地与疾病患者进行诊断,他们是否需要去医院检查正确的预测 - 如果是,他们是否会需要重症监护或密集的通风 - 是为了必须有效地分配医疗资源。

我们团队的力量是临床医生和数据科学澳门赌场和激情,我们都带给推进的AI covid-19解决方案之间的密切对话。 卡罗拉,bibianeschönlieb

艾克斯covnet项目,由领导 卡罗拉,bibianeschönlieb在damtp和剑桥图像分析组的头,应用数学教授和 剔骨萨拉在放射科肿瘤成像的教授,旨在开发一种人工智能工具,可以准确地诊断与covid-19从临床和实验室数据的患者,胸部X线和CT图像一起。测试还将为病人检伤分类和预后的支持,预测各个可能的临床结果,并帮助医生规划他们的治疗和管理医院的资源。

该方法

该工具将基于 机器学习。这涉及算法学习发现在数据集模式被连接到一个特定结果(例如患者具有covid-19)(病人的胸部的例如CT扫描)。在学习的过程发生在所谓的 训练数据 对于其中(在所谓的监督学习的情况下)的正确答案是已知的(患者例如是否具有covid-19)。同时通过训练数据筛选算法将调已内置到它,直到它能够可靠地发现连接到正确的结果,模式和给出正确的答案参数的值。

简单的机器学习算法是出奇的简单直接的(见 本文 杂志以了解更多),但现在的领域已成为令人难以置信的复杂。机的形式学习称为 深度学习 可以学习而不从非结构化和未标记的数据集的人力监督。艾克斯covnet工具将利用深学习方法与自定义为covid-19的需求严格的数学和统计方法相结合。

许多挑战

而深度学习技术发达,把它们应用到covid-19提出了一系列的挑战。一个要被用于训练该有用数据是稀少。 “一些数据集是公开的,几乎所有的数据来自几个来源,主要是中国,说:”schönlieb。 “所以数据可能不能代表全球人口。”

另一个问题是如何有用的医用图像,尤其是X射线,可以在诊断covid-19。最近的一项研究表明,covid-19可能不会留下足够的X射线图像指纹的一种算法,从其他形式的病毒性肺炎的区别。 CT扫描显示票价更好,但由于这些都不是常用的许多国澳门赌场使用的X射线,这种潜在的局限性需要加以解决。

也有关于各种挑战的宏伟目标不只是诊断covid-19,而且还预测疾病的发展中的患者。目前它还不完全清楚是什么样的因素在预后和预测的重要,所以目前还不清楚样的数据什么饲料的算法。这里有有趣的可能性:虽然大多数现有的工作,对肺论点集中,心脏也是预后一个潜在的重要器官。

一个良好的开端

自从开始在2020年3月23日球队艾克斯covnet项目一直在探索克服各种挑战的方式。他们提出了一个机器学习框架,从完全不同的来源,如实验室结果和图像集成数据,并调查了如何处理的数据集不完整的问题。他们一直在寻找到一个可以如何帮助一个算法来点图案肺组织中,并且还开发算法,以发现其中的规律在心脏图像,以表明可能covid-19在患者出现并发症。

一个艾克斯covnet队一直在寻找特别有趣的问题来自于一个事实,即机器学习算法是“懒惰”,将“欺骗”时,他们可以。例如,想象从什么样的胸部x射线图像图案连接到covid-19的训练数据的算法的学习。如果大部分的训练数据来自于已处理了大量的covid-19情况下,单个医院,则算法会学习连接到医院易于现场模式和链接那些covid-19,而不是学习临床相关图案。

例如,可以了解字体的医院使用与病人姓名标签X射线图像,并决定每当图像在其标签的字体,相应的患者有covid-19。得到解决此问题的一种方式是,使得潜在的混杂图案被去除以预先处理的X射线图像。艾克斯covnet团队一直在探索这样做的可行技术。

迄今取得的成果是有希望的,但仍有许多工作要做。 “这些都是正在各个[方面]艾克斯covnet分析眼光的积极合作的初步结果,说:”schönlieb。她和她的团队将邀请研究人员和医生来自世界各地,以促进合作,使一个全功能的ai的工具可供使用尽快。

“我们团队的力量是临床医生和数据科学澳门赌场和激情,我们都带给推进的AI covid-19解决方案之间的密切对话,”她说。而最终目标可能看起来雄心勃勃,这么多的人来自世界各地的意愿自愿放弃自己的时间,资源和专业知识给出了乐观的理由。

你可以更了解在AIX-covnet项目公司 网站 这个视频 配备卡罗拉-bibianeschönlieb。