Using Artificial Intelligence for COVID-19 Chest X-ray Diagnosis

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7535959/
Persoalan
Coronavirus disease-19 (COVID-19), yang disebabkan oleh anggota baru dari keluarga coronavirus,
adalah penyakit pernapasan yang dengan cepat mencapai proporsi pandemi dengan morbiditas dan
mortalitas yang tinggi. Hanya dalam beberapa bulan, itu telah memiliki dampak dramatis pada
masyarakat dan ekonomi dunia. COVID-19 telah menghadirkan banyak tantangan untuk semua aspek
perawatan kesehatan, termasuk metode yang andal untuk diagnosis, pengobatan, dan pencegahan.
Penyelesaian
Pembelajaran mesin adalah bagian dari AI yang menggunakan pembelajaran mendalam dengan algoritma
jaringan saraf. Itu dapat mengenali pola dan mencapai tugas komputasi yang kompleks seringkali jauh
lebih cepat dan dengan presisi yang meningkat daripada yang bisa dilakukan manusia.
Metode
Dalam artikel ini, kami mengeksplorasi potensi rontgen dada (CXR) yang sederhana dan tersedia secara
luas untuk digunakan dengan AI untuk mendiagnosis COVID-19 secara andal. Microsoft CustomVision
adalah klasifikasi gambar otomatis dan sistem deteksi objek yang merupakan bagian dari Layanan
Kognitif Microsoft Azure. Kami menggunakan gambar CXR yang tersedia untuk umum untuk pasien
dengan pneumonia COVID-19, pneumonia dari etiologi lain, dan CXR normal sebagai kumpulan data
untuk melatih Microsoft CustomVision.
Untuk kumpulan data pelatihan, 103 gambar CXR COVID-19 diunduh dari kumpulan data xray dada-
covid GitHub.15 Lima ratus gambar pneumonia non-COVID-19 dan 500 gambar paru-paru normal
diunduh dari Tantangan Deteksi Pneumonia RSNA Kaggle dataset.16 Untuk menyeimbangkan dataset,
kami memperluas dataset COVID-19 menjadi 500 gambar dengan sedikit rotasi (probabilitas = 1, rotasi
maksimum = 5) dan memperbesar (probabilitas = 0,5, area persentase = 0,9) dari gambar asli
menggunakan Augmentor Paket Python.17
Untuk dataset validasi 30 gambar CXR acak diperoleh dari US Department of Veterans Affairs (VA)
PACS (pengarsipan gambar dan sistem komunikasi). Kumpulan data ini mencakup 10 gambar CXR dari
pasien rawat inap dengan COVID-19, 10 gambar pneumonia CXR dari pasien tanpa COVID-19, dan 10
CXR normal. Diagnosis COVID-19 dikonfirmasi dengan hasil tes positif dari platform Xpert Xpress
SARS-CoV-2 polymerase chain reaction (PCR).18
Kami membuat proyek klasifikasi baru di CustomVision dan memilih domain umum yang ringkas untuk
ukuran kecil dan mudah diekspor ke format model TensorFlow.js. TensorFlow.js adalah library
JavaScript yang memungkinkan download dinamis dan eksekusi model ML. Setelah proyek dibuat, kami
melanjutkan untuk mengunggah dataset gambar kami. Setiap kelas diunggah secara terpisah dan ditandai
dengan label yang sesuai (pneumonia covid, pneumonia non-covid, atau paru-paru normal). Sistem
menolak 16 gambar COVID-19 sebagai duplikat. Dataset pelatihan CustomVision akhir terdiri dari 484
gambar pneumonia COVID-19, 500 gambar pneumonia non-COVID-19, dan 500 gambar paru-paru
normal. Setelah diunggah, CustomVision melatih diri menggunakan kumpulan data saat memulai
program
CustomVision digunakan untuk melatih model. Ini dapat digunakan untuk mengeksekusi model secara
terus menerus, atau model dapat dipadatkan dan dipisahkan dari CustomVision. Dalam hal ini, model
dipadatkan dan dipisahkan untuk digunakan dalam aplikasi online. Aplikasi online Angular dibuat dengan
TensorFlow.js. Dalam browser web pengguna, model dijalankan ketika gambar CXR dikirimkan. Nilai
keyakinan untuk setiap klasifikasi dikembalikan. Dalam desain ini, setelah halaman web dan model awal
diunduh, halaman web tidak lagi perlu mengakses komponen server apa pun dan melakukan semua
operasi di browser. Meskipun solusinya bekerja dengan baik di browser ponsel dan dalam situasi
bandwidth rendah, kualitas prediksi mungkin bergantung pada browser dan perangkat yang digunakan.
Gambar tidak pernah dikirimkan ke cloud.
Hasil
Secara keseluruhan, model terlatih kami menunjukkan presisi dan daya ingat 92,9%. Hasil presisi dan
recall untuk masing-masing label adalah 98,9% dan 94,8%, masing-masing untuk pneumonia COVID-19;
91,8% dan 89%, masing-masing, untuk pneumonia non-COVID-19; dan 88,8% dan 95%, masing-masing,
untuk paru-paru normal (Gambar 2). Selanjutnya, kami melanjutkan untuk memvalidasi model pelatihan
pada data VA dengan membuat prediksi individu pada 30 gambar dari dataset VA. Model kami berkinerja
baik dengan sensitivitas 100% (recall), spesifisitas 95%, akurasi 97%, nilai prediksi positif 91% (presisi),
dan nilai prediksi negatif 100% (Tabel).
X-ray Types COVID-19 Non-COVID-19 Normal Determination

Normal

1 0 0 1 True negative

2 0 0 1 True negative

3 0 0 1 True negative

4 0 0 1 True negative
X-ray Types COVID-19 Non-COVID-19 Normal Determination

5 0 0 1 True negative

6 0 0 1 True negative

7 0 0 1 True negative

8 0 0 1 True negative

9 0 0 1 True negative

10 0 0 1 True negative

COVID-19

1 1 0 0 True positive

2 1 0 0 True positive

3 1 0 0 True positive

4 1 0 0 True positive

5 1 0 0 True positive

6 1 0 0 True positive
X-ray Types COVID-19 Non-COVID-19 Normal Determination

7 1 0 0 True positive

8 1 0 0 True positive

9 1 0 0 True positive

10 1 0 0 True positive

Non-COVID-19

1 0 1 0 True negative

2 0 1 0 True negative

3 0 1 0 True negative

4 0 1 0 False positive

5 1 0 0 True negative

6 0 1 0 True negative

7 0 1 0 True negative

8 0 1 0 True negative
 X-ray Types COVID-19 Non-COVID-19 Normal Determination

9 0 0 1 True negative

10 0 1 0 True negative

Sensitivity (recall) 100% True positive 10

Specificity 95% True negative 19

Accuracy 97% False positive 1

Positive predictive value (precision) 91% False negative 0

Negative predictive value 100%

1 = positive; 0 = negative.
a

Kesimpulan
Kami telah menggunakan platform komersial yang tersedia untuk menunjukkan potensi AI untuk
membantu keberhasilan diagnosis pneumonia COVID-19 pada gambar CXR. Meskipun teknologi ini
memiliki banyak aplikasi dalam radiologi, kami telah berfokus pada dampak potensial pada krisis
kesehatan dunia di masa depan seperti COVID-19. Temuan memiliki implikasi untuk skrining dan triase,
diagnosis awal, pemantauan perkembangan penyakit, dan mengidentifikasi pasien pada peningkatan
risiko morbiditas dan mortalitas. Berdasarkan data tersebut, sebuah situs web dibuat untuk menunjukkan
bagaimana teknologi tersebut dapat dibagikan dan didistribusikan kepada orang lain untuk memerangi
entitas seperti COVID-19 di masa depan. Studi kami menawarkan jendela kecil tentang potensi
bagaimana AI kemungkinan akan secara dramatis mengubah praktik kedokteran di masa depan.