Verwendung eines vortrainierten xAI-Thorax-Röntgenmodells zur Vorhersage des Sauerstoffbedarfs von COVID-19-Patienten: Durch die Verwendung einer Feinabstimmungsstrategie können effektive Risikovorhersagemodelle entwickelt werden, die geprüft werden können. Die umfassende Integration von klinischen Daten und radiologischen Befunden ist notwendig, um den Schweregrad der Erkrankung zu bestimmen und Risiken vorherzusagen. In ressourcenschwachen Situationen kann eine konventionelle Röntgenaufnahme des Thorax zu geringen Kosten in der Notaufnahme (ED) durchgeführt werden. Allerdings hat nur eine kleine Anzahl von Modellen für maschinelles Lernen1,2,3,4,5 radiografische Merkmale verwendet, um die Risikovorhersage vollständig zu automatisieren.
Wir haben uns verschiedene Möglichkeiten zum Erstellen von Risikovorhersagemodellen mithilfe von maschinellem Lernen angesehen. Krankheitsspezifisch ist eine vollständige Trainingsstrategie, die mit einem vollständigen Training für jede Vorhersageaufgabe beginnt. Convolutional Neural Networks (CNNs) für die Bildanalyse hingegen sind schwierig an kleine Trainingsdatensätze anzupassen und erfordern viel Rechenaufwand zum Trainieren. Die genaue Annotation großer Bilddatensätze erfordert Zeit, Geld und Fachwissen. Die Skalierbarkeit und Effektivität des gesamten Schulungsansatzes werden dadurch beeinträchtigt.
KI (xAI)-Modellleistung und -entwicklung
Müssen Organsysteme in der Intensivmedizin unterstützt oder ersetzt werden, stellt sich immer die Frage nach Zielwerten, die durch die Therapie erreicht werden sollen. Wie bei der Therapie anderer Organsysteme kommt es auch bei der Organunterstützungstherapie bzw. beim Organersatz der Lunge mit zunehmender Invasivität der Maßnahmen zu relevanten Nebenwirkungen, sodass die (Über‑)Therapie die Prognose möglicherweise per se verschlechtert. In diesem Zusammenhang ist insbesondere die Frage nach dem optimalen bzw. ausreichenden Sauerstoffgehalt im Blut von essenzieller Bedeutung. Eine Definition der in der Sauerstoffversorgung relevanten Begriffe gibt
Die Entwicklung und Leistung eines erklärbaren Modells künstlicher Intelligenz (XAI) Wir haben vor der COVID-19-Pandemie gut kommentierte CXRs aus einem tertiären Lehrkrankenhaus verwendet, um ein CXR xAI-Modell zu erstellen, das 20 radiologische Merkmale identifizieren konnte. In der posteroanterioren (PA) Ansicht betrug der mittlere AUROC für die Erkennung der 20 Röntgenmerkmale 0,955 (95 % CI 0,938–0,955), während er in der anteroposterioren (AP) Ansicht 0,909 (95 % CI 0,890–0,925) betrug (Tabelle 1). Kardiomegalie, Lungenödem, Emphysem, Pleuraerguss, andere Pleuraläsionen, nicht gebrochene Knochenanomalien, Mediastinalanomalien, Zwerchfellanomalien, verringertes Lungenvolumen und erhöhtes Lungenvolumen, die erreichte AUROC war signifikanter als 0,950 in der PA-Ansicht. Für Pleuraerguss, andere interstitielle Trübungen, andere Pleuraläsionen, Emphyseme und einen Fremdkörper war die erreichte AUROC in der AP-Ansicht signifikanter als 0,950. Nur für Fraktur und Knoten/Masse war die erreichte AUROC in der PA-Ansicht kleiner als 0,9. Die ergänzende Abbildung 1 zeigt die begünstigten Working Trademark Bends (ROCs) für jede Marke aus dem letzten Modell, das auf den Testsatz angewendet wurde.
Gradual Weighted Class Activation Mapping (Grad-CAM)7 wurde verwendet, um abnormale radiologische Merkmale im Raum zu lokalisieren.
Einschränkungen
Diese Studie hat mehrere Einschränkungen. Eine einzige Institution war die Quelle der Trainingsdaten. Aufgrund von Populations- und Bildgebungsgeräten können unser CXR-xAI-Modell und unser COVID-19-xAI-Modell nicht auf Patientenkohorten aus anderen Einrichtungen angewendet werden. Auch die Leistung der tatsächlichen Radiologen unterschied sich von der des Modells. Bei der Erstellung des Modells wurden ungefähr 270.000 CXRs verwendet. Beispielsweise werden Emphysem und Kavität/Zyste benötigt, um ausreichend Trainingsdaten von uns zu erhalten. Aber auch in diesen Kategorien schnitt unser CXR XAI-Modell gut ab. In Zukunft können kontinuierliche Aktualisierungen verwendet werden, um Trainingsdaten zu ergänzen.
Fazit
Wir haben ein überprüfbares CXR xAI-Modell erstellt, das ein breites Spektrum pathophysiologischer Manifestationen des kardiorespiratorischen Systems abdeckt. und andere Bedingungen. Durch einen Feinabstimmungsprozess ist unser CXR.
