Предложен новый способ обнаружения инфекции COVID-19

Тесты полимеразной цепной реакции с обратной транскрипцией (ОТ-ПЦР) стали стандартом для тестирования и подтверждения инфекций COVID-19, с момента начала пандемии в США было проведено около 80 миллионов тестов. Кроме того, такие методы, как рентгенография грудной клетки, могут дополнить эти тесты для более надежной картины инфекции. Однако, согласно новому исследованию, опубликованному в журнале PLOS ONE, тестирование ОТ-ПЦР и другие механизмы подтверждения инфекции могут быть неэффективными или даже недоступными в некоторых местах, особенно в более бедных странах, что затрудняет точное и своевременное сообщение об инфекции COVID-19. Согласно исследованию, опубликованному в журнале PLOS ONE, ученые ищут способ улучшить способность машинного обучения предсказывать инфекции COVID-19 без полного набора диагностических данных, называемых denoising fully connected network (DFCN). Авторы исследования пришли к выводу, что “в контексте нынешней пандемии и ограничений теста ОТ-ПЦР это исследование представляет модель, которая является точной и применимой для использования во многих различных условиях по всему миру”. DFCN предназначен для хорошей работы в отсутствие полных входных данных, что может быть полезно, учитывая несогласованность, при которой некоторая клиническая информация о COVID-19 недоступна или не может быть собрана. В частности, исследователи отмечают, что “модель обучается со случайно замаскированными входными данными, которые в сочетании с этим уникальным методом регуляризации прививают устойчивость к отсутствию входных данных”. В ходе исследования впервые была собрана информация о пациентах с COVID-19, включая рентгеновские снимки грудной клетки и другую лабораторную информацию, чтобы обучить DFCN распознаванию и прогнозированию инфекций COVID-19. Рентген грудной клетки, в частности, был выбран из-за того, что COVID-19 может представлять собой подобие пневмонии. Затем, чтобы сравнить возможности DFCN с другими типами машинного обучения, используемыми для прогнозирования в клинических условиях, исследователи использовали данные исследования абляции, включая сканирование изображений и лабораторную информацию.
Источник: factstore.ru