Σκοπός του έργου, το οποίο υλοποιείται στην ΕΔΥΤΕ, είναι η ανάπτυξη μιας γρήγορης και αξιόπιστης διαγνωστικής μεθόδου για ανίχνευση του Covid-19, βασισμένης στην Τεχνητή Νοημοσύνη/Βαθιά Μάθηση και στην ανάλυση αξονικών τομογραφιών θώρακα των εξεταζόμενων. Η μέθοδος μπορεί να βελτιώσει την αποτελεσματικότητα της διάγνωσης, ειδικά στα πρώτα στάδια, αλλά και της αξιολόγησης της θεραπείας ασθενών, και να αποτελέσει σημαντικό βοήθημα στις εργαστηριακές εξετάσεις αντίστροφης μεταγραφής αλυσιδωτής αντίδρασης πολυμεράσης (RT-PCR). Για την υλοποίηση χρησιμοποιούνται απεικονιστικές εξετάσεις, οι οποίες έχουν αποθηκευτεί στο Κέντρο Δεδομένων Υγείας της ΕΔΥΤΕ (έργο HARMONΙ), σύμφωνα με Μνημόνιο Συνεργασίας που έχει υπογραφεί με το Υπουργείο Υγείας.
Στο πλαίσιο του έργου δημιουργείται ένα σύνολο δεδομένων εκπαίδευσης με ανωνυμοποιημένες αξονικές τομογραφίες, όπου η κάθε αξονική αποτελείται από μια ακολουθία δισδιάστατων ψηφιακών εικόνων. Το σύνολο δεδομένων χρησιμοποιείται για εκπαίδευση ενός συστήματος βαθιάς μάθησης, ώστε όταν παρουσιάζουμε μια αξονική στην είσοδό του, το σύστημα να αποφαίνεται για ύπαρξη Covid-19 ή όχι σε αυτήν, εμπεριέχοντας διαφάνεια, δηλαδή παρέχοντας πληροφορίες για τη δομή και τα στοιχεία που βασίστηκε για την πρότασή του.
Η μέθοδος που ακολουθείται βασίζεται κατ’ αρχήν σε επιβλεπόμενη μάθηση, η οποία απαιτεί επισήμανση της κάθε αξονικής του συνόλου εκπαίδευσης με την κατηγορία ‘Υγιής’ ή ‘Ασθενής’. Επειδή η πληροφορία αυτή δεν υπάρχει στο HARMONI, υλοποιείται επισήμανση του συνόλου εκπαίδευσης με την βοήθεια ειδικού επιστημονικού προσωπικού. Το τωρινό σύνολο εκπαίδευσης περιλαμβάνει 1,500 αξονικές, ενώ διαρκώς αυξάνεται, μιας και η ικανότητά του συστήματος βαθιάς μάθησης να παρέχει πολύ καλή διάγνωση βασίζεται στην εκπαίδευσή του με όσο το δυνατόν μεγαλύτερο και αντιπροσωπευτικότερο δείγμα των περιπτώσεων Covid-19 στην χώρα μας.
Έχει ήδη αναπτυχτεί ένα σύστημα που βασίζεται σε βαθιά νευρωνικά δίκτυα (συνελικτικά με ανάδραση) που επεκτείνουν προηγούμενη έρευνά μας [1-3], το οποίο συνεχώς ‘μαθαίνει’ το αυξανόμενο σύνολο εκπαίδευσης. Η απόδοσή του αξιολογείται σε αντίστοιχα σύνολα ελέγχου, που επίσης έχουν επισημανθεί.
Για οποιαδήποτε πληροφορία μπορείτε να απευθυνθείτε στον Δρ. Λεβόν Σουκισσιάν lsouki@admin.grnet.gr.
[1] D. Kollias, A. Tagaris, A.- G. Stafylopatis, S. Kollias, G. Tagaris, “Deep Neural Architectures for Prediction in Healthcare”, Complex Intelligent Systems, vol. 4, no. 2, pp. 119–131, 2018.
[2] J. Wingate, I. Kollia, L. Bidaut, S. Kollias, “A Unified Deep Learning Approach to Prediction of Parkinson’s Disease”, IET Image Processing, pp. 1-10, May/June 2020.
[3] D. Kollias, M. Seferis, V. Brillakis, Y. Vlaxos, J. Wingate, L. Soukissian, S. Kollias, “‘Deep Transparent Prediction through Latent Representation Analysis”, European Conference on Artificial Intelligence (ECAI 2020), 1st TAILOR Workshop on Foundations of Trustworthy AI – Integrating Learning, Optimization and Reasoning, Santiago de Compostela, 29-30/8/2020.
