Facebook과 New York University (NYU)의 연구원들은 의사가 COVID-19 환자의 상태가 어떻게 진행 될지 예측하는 데 도움이 될 수있는 세 가지 기계 학습 모델을 개발했다고 주장합니다. 일련의 X- 레이 만 필요로하는 오픈 소스 모델은 최대 XNUMX 일 전에 환자의 악화와 환자에게 필요할 수있는 보충 산소 (있는 경우)의 양을 표면적으로 예측합니다.

신종 코로나 바이러스 전염병은 미국과 전 세계에서 계속해서 새로운 차원에 도달하고 있습니다. 지난주 미국에서는 건강 위기가 시작된 이후 처음으로 일일 사망자가 4,000 명을 넘어 섰습니다. 하루에 수십만 건의 기록적인 감염 건수가 전국의 의료 시스템에 부담을주고 있으며, 캘리포니아와 같은 주에서는 과세 중환자 실 공간을 유지하기 위해 고군분투하고 있습니다.

혜영 의료, Alibaba, RadLogics, 루닛, 다윈, 추론, 쿠레.아이, 그리고 다른 사람들은 높은 정확도로 X- 레이에서 COVID-19를 표면적으로 진단하는 AI 알고리즘을 개발했습니다. 그러나 Facebook과 NYU가 취하는 접근 방식을 차별화하는 것은 장기적인 임상 궤도를 예측하려는 것입니다. Stanford, Mount Sinai 및 전자 건강 기록 공급 업체 Epic 및 Cerner는 모델 환자의 사망 가능성 또는 인공 호흡기가 필요한 위험 점수를 산출하지만 단일 스캔 또는 전자 의료 기록에서 이러한 예측을하는 사람은 거의 없습니다.

NYU Langone Health의 Predictive Analytics Unit 및 Department of Radiology와의 지속적인 협력의 일환으로 Facebook 연구원은 자체 감독 학습 기술을 사용하여 두 개의 대형 공개 흉부 X-ray 데이터 세트 인 MIMIC-CXR-JPG 및 CheXpert에서 AI 시스템을 사전 훈련했습니다. 모멘텀 대비 (MoCo)라고합니다. 자가지도 학습을 통해 MoCo 모델은 해당 스캔을 설명하는 레이블을 사용할 수없는 경우에도 데이터 세트 내의 X- 레이 스캔에서 학습 할 수있었습니다.

다음 단계는 공개적으로 사용 가능한 NYU COVID-19 데이터 세트의 확장 버전을 사용하여 MoCo 모델을 미세 조정하는 것입니다. 연구원들은 26,838 명의 환자의 4,914 개의 X-ray 이미지로 분류기를 구축했으며, 해당 스캔 후 24, 48 또는 72 시간 내에 환자의 상태가 악화되었는지 여부를 나타내는 주석을 달았습니다. 하나의 분류기는 단일 X- 레이를 기반으로 환자 악화를 예측하고 다른 분류기는 일련의 집계 된 X- 레이를 사용합니다.

연구진은 일련의 X-ray 이미지에 의존하는 분류 기가 ICU 요구 사항, 사망률 및 부작용을 최대 96 시간 전에 예측하는 데 인간 전문가를 능가했다고 주장합니다. 결과가 고유 한 데이터 세트가있는 다른 병원에 반드시 적용되는 것은 아니지만 연구원들은 비교적 적은 리소스 (아마도 단일 GPU)를 사용하여 MoCo 모델에서 새로운 분류기를 구축 할 수 있다고 믿습니다.

“환자에게 산소 자원이 필요한지 여부를 예측할 수있는 것도 처음이 될 것이며 병원이 향후 몇 주 및 몇 달 내에 자원을 할당하는 방법을 결정할 때 도움이 될 수 있습니다. 전 세계적으로 COVID-19 사례가 다시 증가함에 따라 병원은 자원 할당을 계획 할 때 다가오는 급증을 예측하고 대비할 도구가 필요합니다.”라고 Facebook 팀은 블로그 게시물에 썼습니다. "이러한 예측은 의사가 위험에 처한 환자를 너무 빨리 집으로 보내는 것을 방지하고 병원이 보충 산소 및 기타 제한된 자원에 대한 수요를 더 잘 예측하는 데 도움이 될 수 있습니다."

최근 연구 토론토 대학, Vector Institute 및 MIT의 MIMIC-CXR 및 CheXpert를 포함하여 진단 모델을 훈련하는 데 사용되는 흉부 X- 선 데이터 세트가 불균형을 나타내어 특정 성별, 사회 경제적 및 인종 그룹에 대해 편향된 것으로 나타났습니다. 여성 환자는 데이터 세트의 여성 비율이 남성보다 약간 적음에도 불구하고 가장 높은 격차 수준으로 고통받습니다. 백인 환자 (대다수, 모든 X-ray 이미지의 67.6 %)가 가장 선호하는 하위 그룹이고 히스패닉 환자는 가장 선호도가 낮습니다.

Facebook과 NYU 연구원들은 비 COVID 데이터에 대한 사전 교육을 실시하고 각 테스트 샘플을 신중하게 선택하여 이러한 편향을 해결했다고 말합니다. 그러나 작년 초 미국 질병 통제 예방 센터는 COVID-19 진단을 위해 CT 스캔 또는 X- 레이 사용을 금지 할 것을 권고했으며, 캐나다, 뉴질랜드 및 캐나다의 미국 방사선과 대학 (ACR) 및 방사선 기관과 마찬가지로 호주. 이는 최고의 AI 시스템조차도 COVID-19와 세균성 또는 바이러스 성 폐렴과 같은 일반적인 폐 감염의 차이를 구별 할 수 없기 때문입니다.

부분적으로 코드, 데이터 세트 및 기술을 공개하지 않기 때문에 오늘날 질병 진단을 위해 AI 알고리즘을 훈련하는 데 사용되는 데이터의 대부분은 불평등을 영속화 할 수 있습니다. 영국 과학자 팀 발견 거의 모든 안구 질환 데이터 세트는 북미, 유럽 및 중국의 환자에서 가져온 것입니다. 이는 안구 질환 진단 알고리즘이 소외된 국가의 인종 그룹에 적합하지 않다는 것을 의미합니다. 또 다른 연구에서 스탠포드 대학 연구원들은 AI의 의료 사용과 관련된 연구에 대한 미국 데이터의 대부분이 캘리포니아, 뉴욕 및 매사추세츠에서 온 것이라고 주장했습니다. ㅏ UnitedHealth Group 알고리즘 연구 더 큰 치료가 필요한 흑인 환자 수의 절반을 과소 평가할 수 있다고 판단했습니다. 그리고 일의 성장 AI 모델은 대부분 피부가 밝은 환자의 이미지에 대해 훈련되기 때문에 피부암 감지 알고리즘이 흑인 환자에게 사용될 때 정확도가 떨어지는 경향이 있음을 시사합니다.

Facebook과 NYU의 알고리즘이 얼마나 신뢰할 수 있는지 판단하려면 전 세계의 여러 다양한 의료 시스템에서 철저한 테스트를 거쳐야합니다. 환자의 동의하에. Nature Machine Intelligence에 발표 된 연구에 따르면 중국 우한에 성공적으로 배치 된 COVID-19 악화 모델이 뉴욕의 환자 샘플에 적용했을 때 주사위를 굴리는 것보다 나은 결과를 얻지 못했습니다. 세심한 미세 조정은 Facebook과 NYU의 알고리즘이 동일한 운명을 피하는 데 도움이 될 수 있지만 편견이 발생할 수있는 위치를 예측하는 것은 불가능하며, 이는 어떤 규모로든 배포하기 전에 감사의 필요성을 나타냅니다.