一款人工智能应用可以帮助更准确地诊断艾滋病毒

来自伦敦大学学院(University College London)伦敦纳米技术中心(London Centre for Nanotechnology at UCL)和AHRI的学者们利用深度学习(人工智能/AI)算法，在南非农村地区通过横向流动测试，提高了卫生工作者诊断艾滋病毒的能力。

　　

 

   

图片:通过这项工作，他们建立了一个不同条件下的艾滋病毒检测图像库——这些图像被用作伦敦大学学院团队的机器学习算法的训练数据。

资料来源:非洲卫生研究所

由伦敦大学学院(UCL)和非洲卫生研究所(AHRI)的研究人员开发的开创性技术可以改变准确解释艾滋病毒检测结果的能力，特别是在低收入和中等收入国家。

来自伦敦大学学院(UCL)伦敦纳米技术中心(London Centre for Nanotechnology)和AHRI的学者们利用深度学习(人工智能/AI)算法，在南非农村地区利用横向流动测试，提高了卫生工作者诊断艾滋病毒的能力。

他们的发现发表在今天的《自然医学》(Nature Medicine)杂志上，这是对野外获得的艾滋病毒检测结果的首次也是规模最大的研究，该研究应用了机器学习(AI)来帮助将结果归类为阳性或阴性。

全世界每年进行1亿多次艾滋病毒检测，这意味着在质量保证方面即使有一点小小的改进，也会减少假阳性和阴性的风险，从而影响数百万人的生活。

通过利用手机传感器、摄像头、处理能力和数据共享能力的潜力，该团队开发了一款应用程序，可以读取终端用户在移动设备上拍摄的图像的测试结果。它还可以向公共卫生系统报告结果，以便更好地收集数据和提供持续护理。

在COVID-19大流行期间，横向流动试验(即快速诊断试验)一直在使用，并在疾病控制和筛查中发挥着重要作用。

尽管它们提供了一种在临床环境之外进行测试(包括自我测试)的快速而简单的方法，但对外行人来说，对测试结果的解释有时是具有挑战性的。

自我测试依赖于人们为了临床支持和监测的目的而自我报告结果。有证据表明，由于色盲或近视，一些非专业护理人员很难理解rdt。

这项新研究调查了一款人工智能应用程序是否可以支持现场工作者、护士和社区卫生工作者做出的艾滋病毒检测决定。

AHRI的一个由60多名受过培训的实地工作人员组成的团队首先帮助建立了一个图书馆，其中包括在南非夸祖鲁-纳塔尔实地各种条件下拍摄的11 000多张艾滋病毒检测图像，使用的是由伦敦大学学院开发的移动健康工具和图像采集协议。

随后，伦敦大学学院的研究团队将这些图像用作机器学习算法的训练数据。他们比较了算法将图像分类为阴性或阳性的准确性，以及用户用眼睛解释测试结果的准确性。

i-sense教授(伦敦大学学院纳米技术中心和医学部)的首席作者、主任瑞秋·麦肯德瑞教授说:“这项研究是与AHRI的强有力合作，它证明了利用深度学习成功地分类‘真实世界’现场获取的快速测试图像的能力，并减少了肉眼阅读测试结果时可能发生的错误数量。这项研究显示了移动医疗工具在中低收入国家可以产生的积极影响，并为未来更大规模的研究铺平了道路。”

试点领域研究的五个不同的用户体验(从护士到新培训的社区卫生工作者)涉及使用手机应用程序来记录他们的解释40艾滋病毒测试结果,以及捕捉一幅测试自动读取的机器学习分类器。所有的参与者都可以不用训练就使用这个应用程序。

机器学习分类器能够减少阅读RDT的错误，正确分类RDT图像的总体准确率为98.9%，相比之下，传统的眼睛解释测试(92.1%)。

先前对不同经验的用户进行的一项研究表明，解释HIV rdt的准确性在80%到97%之间。

rdt可以支持的其他疾病包括疟疾、梅毒、结核病、流感和非传染性疾病。

第一作者Valérian Turbé博士(伦敦大学学院纳米技术中心)和麦肯德里小组的I -sense研究员说:“在KwaZulu-Natal和现场工作者一起组织数据收集的一段时间后，我看到人们获得基本医疗服务是多么困难。如果这些工具可以帮助训练人们理解图像，你就可以在检测非常早期的艾滋病毒方面发挥很大的作用，这意味着更好地获得医疗保健或避免错误的诊断。这可能会对人们的生活产生巨大影响，特别是在艾滋病毒具有传染性的情况下。”

该团队现在计划进行一项更大的评估研究，以评估不同年龄、性别和数字读写水平的用户的系统性能。

还设计了一个数字系统，用于连接实验室和医疗保健管理系统，以便更好地监测和管理RDT的部署和供应。

AHRI临床研究学院的负责人Maryam Shahmanesh教授(伦敦大学学院全球健康研究所)说:“我们在该地区进行的试验发现，艾滋病病毒自我检测对大量青少年和年轻男性是有效的。然而，艾滋病毒自我检测在将人们与生物医学预防和治疗联系起来方面不太成功。一个将检测结果和个人与医疗保健联系起来的数字系统，包括与抗逆转录病毒疗法和接触前预防联系起来，有可能分散艾滋病毒预防工作，实现联合国艾滋病规划署消除艾滋病毒的目标。”

AHRI的人口科学系主任Kobus Herbst博士补充说:“这项研究表明，机器学习方法可以从全球南方地区的大型和多样化数据集中受益，但同时也对当地的健康优先级和需求做出响应。”

研究人员还建议，通过连接设备实时报告RDT结果可以帮助培训工作人员和疫情管理，例如通过突出显示阳性检测数字高的“热点”。目前，他们正在将该方法推广到包括COVID-19和非传染性疾病在内的其他感染。

AHRI前主任Deenan Pillay教授(伦敦大学学院感染与免疫)说:“随着数字健康研究进入主流，仍然存在严重的担忧，即世界各地最需要的人群将不像那些高收入人群那样受益。我们的工作表明，通过适当的伙伴关系和参与，我们可以证明对低收入和中等收入环境中的人的效用和益处。”

＃＃＃