W grudniu 2019 r. w Wuhan (Hubei, Chiny) wybuchła epidemia nieznanego do tej pory wirusa, rozprzestrzeniając się w bardzo szybkim tempie. W obliczu braku szczepionki lub określeniu jasnych leków przeciwwirusowych, wczesne wykrycie i izolacja pacjenta staje się niezbędna elementem wygaszenia epidemii.
W początkowej fazie infekcji nie jesteśmy w stanie zdiagnozować jej do 5 dnia od zakażenia, tak że badana osoba jest nosicielem COVID-19, co stwarza realne niebezpieczeństwo w infekowaniu innych osób koronawirusem.
Zastosowanie tomografii komputerowej klatki piersiowej (CT) lub RTG jako narzędzia przesiewowego dla pacjentów z podejrzeniem zakażenia COVID-19 daje możliwość określenia czy pacjent jest nosicielem wirusa w momencie gdy nie posiada on jakichkolwiek objawów oraz symptomów infekcji.
Dodatkowo publikacje medyczne, opracowania jakie zostały w ostatnim czasie opublikowane w ogólnoświatowych serwisach medycznych wskazują na to, że stosowane obecnie testy (RT-PCR) w stosunku do pacjentów z prawdopodobnym zakażeniem COVID-19 mogą w początkowej fazie rozwoju infekcji dać wyniki ujemne. Przyczyny „fałszywie” ujemnego wyniku RT-PCR może być zbyt wczesna próba jego wykonania ze względu na niewystarczającą ilość materiału komórkowego do rozpoznania i niewłaściwej ekstrakcji kwasu nukleinowego z materiałów klinicznych.
Jak wskazują badania – pacjenci z wynikiem pozytywnym (potwierdzonym w późniejszym czasie) poddani badaniu tomografem komputerowy – otrzymali diagnozę stwierdzającą wystąpienia tzw: zmętnienia szkła gruntowego (GGO), co wskazywało na zapalenie płuc na wczesnym etapie rozwoju choroby, w tym samym czasie pacjenci ci poddani testom (RT-PCR) na obecność Koronawirusa, uzyskali wynik negatywny, po izolacji kilkudniowej ponownie pobrano i wykonano testy wymazowe, które potwierdziły obecność zakażenia COVID-19.
Posiadając ponad 15 letnie doświadczenie w kilkunastu językach programowania oraz realizując projekty, w których na samym początku stawiane są mało prawdopodobne tezy do zrealizowania, wraz z dwoma osobami z tej samej branży IT. W ciągu ostatnich 14 dni powstały modele, zbiory danych, wytrenowane modele zostały w celu poprawnego rozpoznania infekcji wirusem COVID-19 na podstawie zdjęć uzyskanych z tomografu komputerowego lub zdjęć wykonanych aparatem RTG.
Zrealizowaliśmy gotowe narzędzie do diagnozowania wczytanych zdjęć przez lekarza radiologa uzyskanego np. z aparatu RTG lub przy pomocy tomografu komputerowego. Do tych dwóch rodzajów badania – opracowaliśmy model treningowy oraz przetrenowaliśmy go na próbie 700 zdjęć RTG i CT. Skuteczność wykonanego narzędzia jest na poziomie <90% w dniu dzisiejszym. Wraz ze wzrostem przetworzonych danych, skuteczność jego będzie rosła.
Wyniki jakie zostały uzyskane na tej próbce danych wejściowych, pozwoliły na potwierdzenie poprawnych wyników diagnozowanych pacjentów na podstawie zdjęć płuc wykonanych tomografem oraz aparatem RTG.
Aplikacja CT-Image
Wykorzystanie stworzonej aplikacji wraz ze wspomnianymi modelami – zastosowanie urządzenia w praktyce.
Tomograf komputerowy:
- zastosowanie w szpitalach zakaźnych do oceny stanu pacjenta,
- do diagnozy na obecność koronawirusa od 2 dnia po infekcji,
- do diagnozy stopnia uszkodzenia płuc na każdym etapie rozwoju infekcji.
Rentgen:
- zastosowanie w szpitalach zakaźnych,
- zastosowanie w wielu innych miejscach lub przychodniach,
- zastosowanie na granicach Państwa.
Stworzyliśmy (i nadal tworzymy) wytrenowany machin learningowy modelu matematycznego – analizującego wgrywane zdjęcia CT lub RTG w czasie rzeczywistym za pomocą aplikacji internetowej, dostępnej z poziomu każdej przeglądarki z możliwością rozpoczęcia korzystania przez jednostki służby zdrowia do realizacji wspomnianych założeń.
Mając na uwadze dobro nas wszystkich, dobro naszego kraju – chcemy wspomóc całą Polską służbę zdrowia wdrażając nasz system we wszystkich miejscach, gdzie będzie mógł w kilkanaście sekund po wgraniu zdjęcia z CT lub RTG – prawidłowo rozpoznać infekcję COVID-19.
Oba modele treningowe z racji wysoce precyzyjnego przetwarzania obrazu wymagają sporych nakładów finansowych na moc obliczeniową do treningu oraz udoskonalenia ich w bardziej precyzyjny sposób.
Algorytmy korzystają z chmury obliczeniowej Google Cloud, wykorzystaliśmy do uczenia maszynowego TensorFlow.js Lite, AutoML for Vision AI.
Podsumowując, pracując dalej nad wspomnianym rozwiązaniem – programujemy system autoryzacji dla szpitali poprzez interfejs webowy aplikacji internetowej działającej w przeglądarce i połączony z chmurą obliczeniową poprzez REST API.
