L’intelligenza artificiale (AI) ha dimostrato ancora una volta di essere uno strumento efficace nella lotta contro COVID-19. Un nuovo studio dell’Università della Florida centrale ha dimostrato come l’intelligenza artificiale possa essere accurata quasi quanto un medico nella diagnosi del virus presente nei polmoni, nonché come possa essere utilizzata per migliorare i test.
Lo studio è stato pubblicato su Nature Communications .
Diagnosi di COVID-19
Il team di ricercatori ha sviluppato un algoritmo di intelligenza artificiale che potrebbe essere addestrato per identificare la polmonite COVID-19 nelle scansioni di tomografia computerizzata (TC) e ha dimostrato un tasso di accuratezza fino al 90%. È stato anche in grado di identificare correttamente i casi positivi e negativi, rispettivamente l’84% e il 93% delle volte.
Le scansioni TC hanno dimostrato di essere più efficaci quando si tratta di diagnosi e progressione COVID-19 rispetto ai test di reazione a catena della polimerasi di trascrizione (RT-PCR). Questi test vengono spesso utilizzati, ma hanno un’elevata percentuale di falsi negativi e di solito richiedono più tempo per essere elaborati.
Uno dei motivi principali per cui le scansioni TC vengono utilizzate per diagnosticare COVID-19 è che possono rilevare il virus anche in individui che non mostrano sintomi. Non si ferma qui, tuttavia, poiché possono rilevarlo anche in individui con sintomi precoci, in quelli che si trovano nella fase peggiore della malattia, così come in quelli che ce l’hanno fatta e non hanno più sintomi.
Con tutti i suoi vantaggi, le scansioni TC hanno anche i loro difetti, motivo per cui a volte non sono consigliate per l’identificazione COVID-19. Questo ha a che fare con le somiglianze tra la polmonite associata all’influenza e il COVID-19.
Il nuovo algoritmo
Tenendo conto di tutto ciò, il team di ricercatori dell’UCF ha sviluppato un nuovo algoritmo in grado di individuare con precisione COVID-19. Non solo, ma può anche dire la differenza tra COVID-19 e influenza, che è estremamente utile per i medici.
Ulas Bagci è un assistente professore presso il Dipartimento di Informatica della UCF e coautore dello studio.
“Abbiamo dimostrato che un approccio AI basato sull’apprendimento profondo può servire come strumento standardizzato e obiettivo per assistere i sistemi sanitari e i pazienti”, afferma Bagci. “Può essere utilizzato come strumento di test complementare in popolazioni limitate molto specifiche e può essere utilizzato rapidamente e su larga scala nel malaugurato caso di un focolaio ricorrente”.
Nello studio, il team di ricercatori ha addestrato un algoritmo informatico per rilevare COVID-19 nelle scansioni TC del polmone, con un totale di 1.280 pazienti osservati da Cina, Giappone e Italia. Il passo successivo è stato quello di testare l’algoritmo su 1.337 pazienti affetti da varie malattie polmonari tra cui COVID-19, cancro e polmonite non causati da COVID-19.
I risultati del computer sono stati quindi confrontati con le diagnosi dei medici ei ricercatori hanno scoperto che l’algoritmo era estremamente efficace nel rilevare con precisione la polmonite COVID-19 nei polmoni, oltre a distinguere tra COVID-19 e altre malattie.
“Abbiamo dimostrato che robusti modelli di IA possono raggiungere una precisione fino al 90% in popolazioni di test indipendenti, mantenere un’elevata specificità nella polmonite non correlata a COVID-19 e dimostrare la generalizzabilità a popolazioni e centri di pazienti invisibili”, afferma Bagci.
Lo studio ha coinvolto anche i coautori Baris Turkbey, che è un medico ricercatore associato presso il National Cancer Institute Molecular Imaging Branch del NIH, e Bradford J. Wood, che è il direttore del Center for Interventional Oncology del NIH e capo della radiologia interventistica presso la clinica del NIH. Centro.
Il nuovo sviluppo di UCF è uno degli esempi più recenti di come si possa sfruttare l’IA durante una pandemia. La tecnologia è stata implementata in diverse aree relative a COVID-19, inclusi monitoraggio, test, prevenzione, diagnosi, ricerca e sviluppo di vaccini.
