یک محقق از دانشگاه فلوریدا مرکزی در بخشی از یک تحقیق جدید نشان داده که استفاده از هوش مصنوعی می‌تواند بر برخی از چالش‌های آزمایش‌های فعلی غلبه کند. محققان نشان دادند که می‌توان با هوش مصنوعی یک الگوریتم را برای طبقه‌بندی COVID-19 در اسکن توموگرافی کامپیوتری (CT) با حداکثر 90% دقت بررسی کرد. همچنین هوش مصنوعی موارد مثبت را در 84% و موارد منفی را در 93% از مواقع، به درستی شناسایی می‌کند.
سی‌تی‌اسکن در مقایسه با تست کرونا، بینش عمیق‌تری را نسبت به تشخیص و پیشرفت کرونا ارائه می‌دهد. این آزمون‌ها دارای تأخیر در پردازش و سایر چالش‌ها هستند. یکی دیگر از مزایای سی‌تی‌اسکن این است که می‌تواند کرونا را در افراد بدون علائم، در کسانی که علائم اولیه دارند، مواردی که در اوج بیماری هستند و حتی افراد بهبود یافته را تشخیص دهد. با این حال سی‌تی‌اسکن همیشه به‌عنوان یک وسیله تشخیصی برای COVID-19 توصیه نمی‌شود؛ زیرا این بیماری اغلب شبیه به آنفلوانزا در اسکن‌ها است.
«Ulas Bagci» استادیار گروه علوم کامپیوتر UCF می‌گوید: “الگوریتم جدید توسعه‌یافته UCF می‌تواند با شناسایی دقیق موارد کرونا و همچنین تشخیص آن‌ها از آنفلوانزا، بر این مشکل غلبه کند.” باگچی یکی از نویسندگان این تحقیق بود و به هدایت این تحقیقات کمک کرد. باگچی می‌گوید: “ما نشان دادیم كه رویكرد هوش مصنوعی مبتنی بر شناسایی عمیق می‌تواند به عنوان یك ابزار استاندارد و عینی برای كمك به سیستم‌های مراقبتی بهداشتی و همچنین بیماران باشد. این روش می‌تواند به عنوان یک ابزار تست مکمل در جمعیت آماری بسیار محدود مورد استفاده قرار گیرد و به سرعت و در مقیاس بزرگ -در صورت شیوع مکرر- استفاده شود.”
برای انجام این مطالعه، محققان یک الگوریتم رایانه‌ای را برای شناسایی کرونا در سی‌تی‌اسکن ریه 1280 بیمار چندملیتی از چین، ژاپن و ایتالیا مورد استفاده قرار دادند. سپس آن‌ها الگوریتم را بر روی سی‌تی‌اسکن از 1333 بیماران مبتلا به بیماری‌های ریوی از COVID-19، سرطان و ذات‌الریه غیر COVID منطبق کردند. هنگامی‌که آن‌ها تشخیص‌های رایانه‌ای را با موارد تایید شده توسط پزشکان مقایسه کردند، دریافتند که این الگوریتم در تشخیص دقیق کرونا در ریه‌ها و تمایز آن از سایر بیماری‌ها موثر است. این روش و بررسی سی‌تی‌اسکن به ویژه در مراحل اولیه پیشرفت بیماری بسیار مفید خواهد بود. باگچی می‌گوید: “ما نشان دادیم كه مدل‌های قوی هوش مصنوعی می‌توانند تا 90% دقت را در آزمایش‌ها به دست آورند. این الگوریتم‌ها همچنین می‌توانند برای مشخص کردن جوامع آماری بیماری کارآمد باشند و بیمارهای ناقل بدون علائم را نیز مشخص کنند.»
