استاندارد طلایی فعلی برای تشخیص کووید-۱۹ یک سواب بینی است که به دنبال آن واکنش زنجیره‌ای پلیمراز رونویسی معکوس انجام می‌شود، اما چنین آزمایش‌هایی زمان‌بر هستند و نتایج آن روزها طول می‌کشد. این امر زمان حیاتی را در درمان و پیشگیری از بیماری تلف می‌کند. اخیرا دانشمندان کره‌ای چارچوبی رایانه‌ای ایجاد کرده‌اند که می‌تواند به سرعت و با دقت سی‌تی اسکن قفسه سینه را برای تشخیص کووید-۱۹ در چند دقیقه تفسیر کند که به طور بالقوه نحوه مقابله با این بیماری را تغییر می‌دهد.
در مدت کمی بیش از ۱۸ ماه، ویروس کرونای جدید (سارس-کوو-۲) بیش از ۱۸ میلیون نفر را مبتلا کرده و باعث مرگ بیش از ۶۹۰ هزار نفر شده است. استاندارد فعلی برای تشخیص از طریق واکنش زنجیره‌ای پلیمراز رونویسی معکوس به دلیل حساسیت کم، نرخ بالای مثبت کاذب و زمان طولانی آزمایش محدود اس؛. این امر شناسایی سریع بیماران مبتلا و ارائه درمان به آن‌ها را دشوار می‌کند. علاوه بر این، این خطر وجود دارد که بیماران همچنان در حالی که منتظر نتایج آزمایش تشخیصی خود هستند، بیماری را گسترش دهند.
سی تی اسکن قفسه سینه به عنوان یک روش سریع و موثر برای تشخیص بیماری ظاهر شده است، اما برای تفسیر به تخصص رادیولوژیست نیاز دارد و گاهی اوقات اسکن‌ها شبیه به انواع دیگر عفونت‌های ریه مانند پنومونی باکتریایی هستند. اکنون یک مقاله جدید در تجزیه و تحلیل تصویر پزشکی توسط تیمی از دانشمندان، از جمله دانشمندان موسسه علوم Daegu Gyeongbuk (DGIST)، کره جنوبی، تکنیکی را برای تفسیر خودکار و دقیق سی تی اسکن قفسه سینه شرح می‌دهد. پروفسور سانگ هیون پارک و فیلیپ چیکونتوه از DGIST که این مطالعه را رهبری می‌کند، می‌گوید: ما به عنوان دانشگاهیانی که به طور مساوی تحت تاثیر همه گیری کووید قرار گرفته بودند، مشتاق بودیم که از تخصص خود در تجزیه و تحلیل تصویر پزشکی برای کمک به تشخیص سریع‌تر و بهبود گردش کار بالینی استفاده کنیم.
برای ساخت چارچوب تشخیصی خود، تیم تحقیقاتی از تکنیک یادگیری ماشینی به نام «آموزش چندگانه» (MIL) استفاده کردند. در MIL، الگوریتم یادگیری ماشین با استفاده از مجموعه‌ها یا «کیسه‌ها» از مثال‌های متعدد به نام «نمونه‌ها» آموزش داده می‌شود، سپس الگوریتم MIL از این کیسه‌ها برای یادگیری برچسب زدن نمونه‌ها یا ورودی‌ها استفاده می‌کند. تیم تحقیقاتی چارچوب جدید خود را به نام MIL مبتنی بر کنتراست توجه دوگانه (DA-CMIL) برای تمایز بین کووید و ذات‌الریه باکتریایی آموزش دادند و دریافتند که عملکرد آن با سایر روش‌های پیشرفته آنالیز تصویر خودکار برابری می‌کند. علاوه بر این الگوریتم DA-CMIL می‌تواند از اطلاعات محدود یا ناقص برای آموزش کارآمد سیستم هوش مصنوعی خود استفاده کند.
محققان می‌گویند: مطالعه ما را می‌توان از منظر فنی و بالینی مشاهده کرد. اول، الگوریتم‌های معرفی شده در اینجا را می‌توان به تنظیمات مشابه با انواع دیگر تصاویر پزشکی گسترش داد. دوم توجه دوگانه، به ویژه توجه فضایی مورد استفاده در این مدل تفسیرپذیری الگوریتم را بهبود می‌بخشد که به پزشکان کمک می‌کند تا بفهمند راه حل‌های خودکار چگونه تصمیم می‌گیرند.
این تحقیق بسیار فراتر از همه‌گیری کووید است و پایه و اساس توسعه سیستم‌های تشخیصی قوی‌تر و ارزان‌تر را ایجاد می‌کند که برای کشور‌های توسعه نیافته یا کشور‌هایی با منابع پزشکی و انسانی محدود مفید خواهد بود.
