Araştırmacılar, COVİD-19 enfeksiyonunu yüzde 98’den fazla doğrulukla hızlı bir şekilde tespit etmek için göğüs röntgenlerini otomatik olarak analiz eden, normal röntgenleri ve genellikle pnömoni ile ortaya çıkan pnömonili kişilerin röntgenlerini ayırt eden, derin öğrenme tabanlı bir yapay zeka algoritması geliştirdiler.
COVID-19, radyologların virüs enfeksiyonunu teşhis etmek için kullandıkları göğüs röntgeninde belirli radyolojik “imzalar” üretir. Ancak röntgen filmlerini enfeksiyon belirtileri açısından titizlikle incelemek zaman alıcıdır ve insan gözüne dayandığı için her zaman doğru sonuç vermeyebilir. Bu nedenle Sidney Teknoloji Üniversitesi’ndeki (UTS) araştırmacılar, teşhis sürecini kolaylaştırmak için yapay zekanın yardımına başvurdu.
Durumu karmaşıklaştıran diğer faktör ise, ateş, öksürük, nefes almada zorluk, boğaz ağrısı gibi COVID-19 enfeksiyonunun semptomlarının, grip veya zatürre gibi diğer solunum yolu viral enfeksiyonlarından ayırt edilmesinin zor olabilmesidir.
Son yıllarda makine öğrenimi algoritmaları tıpta popülerlik kazandı; doktorlara Parkinson hastalığını teşhis etmede, meme kanserini tespit etmede, felç ve kalp yetmezliğini tahmin etmede yardımcı oluyor. Yapay zekanın bir alt alanı olan derin öğrenme, manuel özellik çıkarmaya gerek kalmadan girdi verilerinden doğru sonuçlar üretebilen bir model oluşturmak için özellikle uygundur. Mevcut çalışmada araştırmacılar, Özel Evrişimli Sinir Ağı (Custom-CNN) adı verilen ve özellikle COVID-19’u teşhis etmek için tasarlanmış, derin öğrenmeye dayalı bir algoritma geliştirdiler.
Yapay zeka modelini test etmek ve eğitmek için ücretsiz olarak kullanılabilen iki göğüs röntgeni veri seti kullanıldı. Veri kümeleri üç kategorideki göğüs röntgeni görüntülerinden oluşuyordu: normal, koronavirüs pozitif ve viral pnömoni. Özel-CNN modelini eğitmek için toplam görüntülerin yüzde 80’i kullanıldı, yüzde 20’si ise test için ayrıldı.
Çalışmanın amacı, modelin koronavirüs ve viral pnömoni, normal ve viral pnömoni, koronavirüs ve normal dahil olmak üzere çeşitli ilişkileri ve üç X-ışını görüntüsü sınıfı arasındaki ilişkileri incelemedeki etkinliğini değerlendirmekti. Sonuçlar, Custom-CNN modelinin COVID, normal ve pnömoni görüntü örneklerinin sınıflandırılmasında yüzde 98,19’luk bir sınıflandırma doğruluğuna ulaştığını gösterdi. Modelin sonuçları diğer modeller kullanılarak elde edilenlerle karşılaştırıldığında Custom-CNN bunların hepsinden daha iyi performans gösterdi.
COVID-19 enfeksiyonunun erken teşhisi, hastaların antiviraller de dahil olmak üzere semptomların başlangıcından sonraki beş gün içinde alındığında en iyi sonucu veren doğru tedaviyi almasını sağlayabilir. Ayrıca onları izole etmeye ve başkalarını enfekte olmaktan korumaya teşvik edebilir.
Araştırmacoşar, Yeni yapay zeka sisteminin, radyolog sıkıntısının olduğu, yüksek düzeyde COVİD-19 yaşayan ülkelerde özellikle faydalı olabileceğini kaydettiler.
Auto-detection of the coronavirus disease by using deep convolutional neural networks and X-ray photographs
The most widely used method for detecting Coronavirus Disease 2019 (COVID-19) is real-time polymerase chain reaction. However, this method has several drawbacks, including high cost, lengthy turnaround time for results, and the potential for false-negative results due to limited sensitivity. To address these issues, additional technologies such as computed tomography (CT) or X-rays have been employed for diagnosing the disease.
