cheXrad

A cheXrad négy, egymástól elkülönült diagnosztizáló mesterséges intelligencia hálózatot tartalmazó pulmonológiai alkalmazás. A CoCoLo technológiát használva gyorsan tanítható. Célja az orvosi döntések támogatása mellkasi röntgen felvételek elemzésével

Mindegyik mesterséges intelligencia hálózat külön kerül betanításra, így specializálva, vagy éppen generalizálva a “megtanult” tudást. A neurális hálózatok egymástól függetlenül döntenek arról, hogy a látott kép mit ábrázol. Betanítástól függően a döntés kimenetele lehet az, hogy egészséges, vagy beteg tüdőt ábrázol-e a röntgen felvétel. Betegség esetén azt is közli milyen típusú a betegség.

A négy elkülönült neurális háló olyan, mintha több tanácsadó segítené az orvos munkáját. Mindegyik hálózat kiértékelése külön megjelenítésre kerül a döntési folyamat végén. A többszintű hierarchia garantálja azt, hogy a gép akkor is képes legyen döntésre, ha olyan betegség képével találja szemben magát, amilyet nem “látott” a betanítási folyamat során.

Az egészségügyi kutatásokban fontos mérőszám az, hogy egy módszernek milyen a valós és hamis, pozitív és negatív eredménye. A valós negatív azt jelenti, hogy a vizsgált minta ténylegesen negatív és a döntés eredménye is negatív lett. A valós pozitív, amikor a minta pozitív (beteg) és az eredmény is pozitív. Hamis akkor, ha rosszul cimkéződött fel a minta és nem egyezik a valósággal. Hamis pozitív esetén a beteg egészséges, csak a teszt pontatlansága miatt tévesen lett pozitívnak megjelölve. Hamis negatív, amikor valójában beteg, de a teszt negatív eredményt adott. A kutatások fő célja, hogy a a valós pozitív és valós negatív eredmény a lehető legmagasabb legyen úgy, hogy a hamis értékek vagy ne jelenjenek meg,vagy alacsony szinten maradjanak, az alkalmazott technológiától függően.

Minden jelenleg használt tesztnek vagy módszertannak vannak ilyen mutatószámai. A mi modellünk esetében így néz ki, amelyik arról dönt, hogy a látott kép COVID-19 fertőzött-e avagy sem:

A számokhoz azt érdemes figyelembe venni, hogy a rendelkezésünkre álló adatok szűkösek, azokból próbáljuk a legjobb eredményeket kihozni úgy, hogy lehetőleg generális modellt alkossunk, amelyek nem csak a betanítási adatokon vizsgáznak jól, hanem valós helyzetben is tudnak teljesíteni. A betanítás pedig attól függ, milyen típusú eredmény a leghasznosabb a felhasználó számára. A valós negatív esetében a ténylegesen egészséges embereket nevezi meg pontosabban, cserébe könnyebben ad vészjelzést is hamis pozitív eredményként. Amennyiben a betegségre fókuszál a rendszer, akkor akiket betegre ad, azok szinte kivétel nélkül betegek is, tehát ott kicsi a tévedés, cserébe könnyebben átcsúsznak a szűrőn a határesetnek vélt állapotok.

A COVID-19 elleni küzdelem egyik sajátossága, hogy jelenleg nagyon kevés adat érhető el. Ez meglehetősen nehezíti a mesterséges intelligencia alapú rendszerek felépítését, mert a neurális hálózatok tanításához rengeteg adatra van szükség. Ezt mi úgy próbáltuk és próbáljuk orvosolni, hogy az elérhető csekély számú adatot mesterségesen, statisztikai és matematikai módszerekkel tisztítjuk és sokszorosítjuk. Ennek a módszernek is vannak korlátai, így a hálózatunk COVID-19 azonosítási képességét a kedvező számadatok ellenére is tanulási fázisban lévőnek tartjuk.

A rendszer lényege, hogy segítsen az orvosoknak a betegek diagnosztizálásában és abban, hogy gyorsan és költséghatékonyan akár vírusteszt hiányában is el lehessen végezni egy vizsgálatot. A szoftver célja tehát nem az orvosok kiváltása, ez nem is lenne lehetséges, mindössze a leterhelt egészségügyi ellátórendszert szeretné tehermentesíteni azáltal, hogy például képes tömegesen több ezer páciens mellkasi röntgen felvételét is rövid idő alatt elemezni és sorba rendezni. Ezáltal az orvosok és ápolók azokra az esetekre tudnak első sorban fókuszálni, ahol a legnagyobb szükség van rájuk. A tudományos-fantasztikumok gonosz gépeivel szemben a program nem élet és halál kérdésében dönt, hanem az orvosok kezébe adja a gyors reagálás lehetőségét azáltal, hogy a röntgen felvételek alapján vélelmezett állapotok szerinti listát készít. Ezáltal a valóban betegek sokkal hamarabb kaphatnak ellátást, jelentősen növelve ezzel a felépülés esélyét.