Deep learning kan spotte covid-19 i lungescanninger på sekunder

Dansk startup er klar til at hjælpe danske hospitaler med at udvikle computervision til corona-diagnostik.

Zhongnan Hospital i Wuhan, Kina var et af de første hospitaler til at mærke konsekvenserne af den nu globale corona-pandemi. Mens patienterne strømmede ind, kæmpede overbebyrdede læger med at screene patienter og prioritere de mest akutte tilfælde.

Som et forsøg tog hospitalets radiologi-afdeling AI-software i brug til at identificere tegn på coronavirus i CT-scanninger af lunger. Software, som ellers primært blev brugt til at afsløre kræft. 

Løsningen kommer fra den kinesiske startup Infervision, der i midten af januar lagde mærke til, at en ellers sjældent anvendt funktion til at opdage tegn på lungebetændelse, pludselig blev brugt flittigt. Den opdagelse fik udviklerne hos Infervision til at tune deres model til lungebetændelse til specifikt at lede efter tegn på corona. 

Normalt skal sådan en model godkendes af kinesiske myndigheder, men som Infervisions CEO, Kuan Chen, i februar sagde til Wired:

»Der er altid risici forbundet med enhver handling i et farligt udbrud som dette, men risici forbundet med ikke at handle er meget større.«

Hurtigere end almindelig test

Nu - få måneder efter Infervisions model blev haste-implementeret på kinesiske sygehuse - har et hold radiologer fra nogle af Kinas hårdest ramte hospitaler bekræftet, at deep learning kan bruges til at identificere covid-19-smittede med en lungescanning. 

I et studie publiceret i tidsskriftet Radiology demonstrerer de, at deres model - navngivet COVID-19 detection neural network eller blot COVNet - kan skelne mellem covid-19 og en almindelige lungebetændelse og andre lungesygdomme.    

Ifølge forskerne kan CT-scanninger være et effektivt redskab til at screene patienter og stille diagnoser hurtigt. Muligvis endda hurtigere end mere gængse testmetoder, fordi sensitiviteten »muligvis ikke er høj nok til at tidlig opdagelse og behandling af formodede patienter,« skriver forskerne i artiklen med henvisning til andre studier publiceret, siden epidemien brød ud. 

Prøv Tech Management GRATIS i en måned her

Klar på GitHub

Radiologerne samlede et datasæt med CT-scanninger fra 3.506 patienter. Heraf var omkring 30 procent bekræftede covid-19-patienter, 40 procent havde lungebetændelse af andre årsager, og resten havde ikke lungebetændelse. 

Herefter byggede de COVNet som et convolutional neural network, der bruger ResNet50 som kerne. Den tager 'slices' af CT-scanningen som input og forsøger så at afgøre, hvad patienten fejler. Prædiktionen for hvert slice samles og til sidst kommer COVNet med et bud på, om hvilken sygdom, der er tale om.

Sponseret indhold

Flair for matematik og ingeniørvidenskab har bragt Katrine ind i Natos tekniske netværk

Militær

Modellens performance kan ses nedenfor. 

Med modellen trænet er selve testen ekstremt hurtig. Det tager under fem sekunder at behandle en CT-scanning på en habil arbejdscomputer. 

Forskerne har desuden lagt en implementering af COVNet i PyTorch op på GitHub. 

For at gøre det neurale netværk mere forståeligt har forskere brugt metoden Class Activation Mapping til at skabe en heatmap, der visualiserer de dele af scanningerne, som modellen har lagt vægt på. Ifølge forskerene viser de heatmaps, at modellen lagde særligt mærke til de abnormale dele af scanningen - men de mener ikke, det reelt er nok til for alvor at opveje for manglen på transparens.

Heatmaps er stadig »ikke tilstrækkelige til at visualisere de unikke features,« som modellen bruger til at skelne mellem covid-19 og andre lungebetændelser, skriver forskerne.

Kina klar med computer

I Kina tilbyder man nu alle lande at sende CT-scanninger til landets supercomputer Tianhe-1, som kan give en diagnose i løbet af 10 sekunder. Tjenesten er særligt rettet mod områder, hvor man ikke har adgang til tests. Her er præcisionen dog nede på 80 procent - og involverer altså også at sende sundhedsdata til Kina. 

Hvis man i Danmark skulle få akut behov for at kunne teste med CT-scanninger, er der dog mulighed for at bygge en model selv, mener Michael Green, der er CTO i AI-virksomheden Desupervised og har en ph.d. i teoretisk fysik.

»Da jeg læste om, at man kunne bruge CT-scanninger til at stille diagnosen, så tænkte jeg, at det var oplagt at automatisere.«

Invitation fra ING/Event

EU-politisk debat: Kan Europa klare sig selv?

EU

Michael Green har undersøgt de data, der er offentligt tilgængelige, og det er ekstremt begrænset - helt ned til 30 CT-scanninger af covid-19-patienter. 

»At lave computervision på det grundlag er meget, meget vanskeligt,« siger han. 

En strategi er at bruge transfer learning, som Infervision gjorde på baggrund af modeller til at opdage lungebetændelse. Men det betyder også, at man medtager en masse kompleksitet i modellen, som formentlig ikke er nødvendig, vurderer Michael Green. 

Gennemsigtighed skal håndteres

En anden vej frem er Bayesian deep learning, der gør det muligt at indbygge viden - såkaldte priors - i modellen, så den ikke kun skal bygges op med træningsdata. 

Whitepaper fra Jobfinder

65% af it-profilerne er passivt jobsøgende: Sådan rekrutterer du dem

Arbejdsmarked

»Vi ved en hel del om billederne. Vi ved for eksempel, at de er grayscale, så du behøver ikke tænke på farver og tredimensionelle convolutions, som du ellers normalt gør. Det betyder, at du kan forenkle din modelarkitektur,« siger Michael Green.

Den bedste måde at håndtere deep learnings mangel på gennemsigtighed, vurderer Michael Green, er at få kvantificeret modellens usikkerhed.

»Vi skal have at vide, hvornår maskinen er sikker. Så når den vurderer, at det ikke er corona, men den gør det med meget lav sikkerhed, kan man tage konsekvensen.«

Hvis det danske sundhedsvæsen får brug for en model, er Michael Green klar - såfremt arbejdet kan støttes af nogle med lægefaglig viden. 

»Man er nødt til at have et tværfagligt task force på det her; det er ikke nok, at smide en masse data efter en gruppe data scientists.«

Prøv Tech Management GRATIS i en måned her