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. Их результаты подчеркивали превосходство способностей DFCNs, предполагая, что их модель может быть более эффективной для прогнозирования инфекций COVID-19 на основе ограниченных данных.

В своем анализе DFCN по сравнению с другими сетями машинного обучения исследовательская группа подчеркнула, что шумоподавляющие автоэнкодеры являются общим подходом, используемым в этих приложениях машинного обучения в клинических контекстах. Проблема, однако, заключается в том, что автокодеры в большинстве инструментов машинного обучения, таких как FCN, создают узкое ограничение “эффективности”. DFCN преодолевает это ограничение.

Дополнительные исследования, включая дополнительные наборы данных, могут помочь доказать и подтвердить возможности DFCNs для прогнозирования клинической информации в отсутствие полных данных.