VIT-DRN-OCAFF: An Optimized Cross-Attention Feature Fusion Framework for Multi- Class COVID-19 and Pulmonary Disease Diagnosis Using Thoracic CT Images

De menselijke long is een complex, delicaat orgaan, en wanneer het ziek wordt, kunnen de tekenen subtiel zijn en gemakkelijk te verwarren. Een hoest, koorts of een gevoel van kortademigheid kan wijzen op een gewone virale infectie, bacteriële pneumonie of een ernstiger aandoening zoals COVID-19. Voor artsen is het onderscheid tussen deze oorzaken cruciaal, maar de symptomen overlappen elkaar vaak, waardoor een snelle en nauwkeurige diagnose een aanzienlijke uitdaging vormt. Om in de borstkas te kunnen kijken zonder chirurgie, vertrouwen medische professionals op computertomografie, of CT-scans, die gedetailleerde dwarsdoorsneden van de longen maken. Deze beelden onthullen de textuur van het longweefsel en tonen gebieden met infectie, vocht of ontsteking. Het lezen van duizenden van deze scans is echter een zware last voor radiologen, en de visuele verschillen tussen soortgelijke ziekten kunnen zo gering zijn dat zelfs experts een cruciaal detail kunnen missen of de oorzaak verkeerd kunnen identificeren.

In de afgelopen jaren zijn computers begonnen om bij deze taak te helpen, door gebruik te maken van kunstmatige intelligentie om te leren hoe verschillende ziekten er op een scan uitzien. Vroege pogingen gebruikten standaard beeldherkenningsinstrumenten, maar deze hadden vaak moeite om zowel het grote plaatje te zien van hoe een ziekte zich door de long verspreidt, als de kleine, specifieke plekjes te opmerken waar de infectie het meest actief is. Een nieuwe studie stelt een geavanceerdere manier voor om een computer te leren deze scans te lezen, waarbij twee verschillende manieren van naar de afbeelding kijken worden gecombineerd om een duidelijker beeld van de ziekte te creëren. De onderzoekers streefden naar een systeem dat niet alleen kon vertellen of een patiënt ziek was, maar ook precies kon aanwijzen wat voor soort ziekte het was, of het nu COVID-19, virale pneumonie, bacteriële pneumonie of andere niet-virale longproblemen waren.

De onderzoekers ontwikkelten een nieuw computerframework dat ontworpen is om te fungeren als een paar deskundige ogen die samenwerken. Eén deel van het systeem is getraind om de gehele longafbeelding in één keer te bekijken, waarbij het de brede patronen begrijpt van hoe een infectie zich over het orgaan verspreidt. Dit deel is goed in het zien van het "bos", het herkennen van de algemene vorm en distributie van de ziekte. Het tweede deel van het systeem concentreert zich intensief op de kleine details, door in te zoomen om de specifieke texturen en randen van de geïnfecteerde gebieden te vinden, zoals de "bomen" in dat bos. Op zichzelf zou het eerste deel een klein maar cruciaal punt van infectie kunnen missen, en het tweede deel zou de details kunnen verliezen zonder het algemene overzicht te begrijpen. De innovatie in deze studie ligt in de manier waarop deze twee delen met elkaar verbonden zijn. De onderzoekers creëerden een speciaal mechanisme waarmee de twee systemen met elkaar kunnen communiceren, door voortdurend te controleren en wat ze zien te verfijnen. Dit proces zorgt ervoor dat de computer de belangrijkste kenmerken voor de diagnose prioriteert, terwijl irrelevante ruis of verwarrende patronen die niet helpen bij het identificeren van de ziekte, worden genegeerd.

Om deze nieuwe aanpak te testen, verzamelde het team een enorme collectie longscans, in totaal bijna 25.000 afbeeldingen. Deze beelden kwamen uit publieke medische databases en van ziekenhuizen in India, en dekten een breed scala aan patiënten en ziektegraden. De dataset bevatte scans van mensen met bevestigde COVID-19, virale pneumonie, bacteriële pneumonie en mensen met andere longafwijkingen die niet door een virus werden veroorzaakt. Voordat de computer van deze afbeeldingen kon leren, hebben de onderzoekers ze zorgvuldig schoongemaakt en voorbereid. Ze verwijderden onnodige lichaamsdelen uit de scans, pasten de helderheid en het contrast aan om de geïnfecteerde gebieden duidelijker te maken, en verzachtten korrelige ruis die het systeem in de war zou kunnen brengen. Deze voorbereiding zorgde ervoor dat de computer leerde van de werkelijke tekenen van ziekte in plaats van artefacten veroorzaakt door de scanmachine.

De computer werd vervolgens getraind op een groot deel van deze afbeeldingen, waarbij het de unieke handtekeningen van elke ziekte leerde herkennen. Nadat de training voltooid was, werd het systeem getest op een aparte set afbeeldingen die het nog nooit eerder had gezien, om te zien hoe goed het in een real-world scenario zou kunnen presteren. De resultaten waren opmerkelijk hoog. Het systeem identificeerde het type longziekte correct met een AUC van 0,99. Het was bijzonder goed in het vermijden van valse alarmen, waarbij het gezonde longen of niet-ziektecondities correct identificeerde wanneer deze aanwezig waren, en het miste zelden een echt geval van infectie. Wanneer de onderzoekers de prestaties per type ziekte analyseerden, blonk het systeem uit in het onderscheiden van COVID-19 van andere infecties, waarbij het bijna perfecte nauwkeurigheid bereikte. Het presteerde ook sterk in het scheiden van virale pneumonie van bacteriële pneumonie, twee condities die zelfs voor menselijke artsen vaak moeilijk uit elkaar te houden zijn.

Om te begrijpen waarom dit nieuwe systeem zo goed werkte, vergeleken de onderzoekers het met oudere methoden. Ze testten standaard computer vision-tools, traditionele deep learning-modellen en zelfs andere geavanceerde systemen die slechts één van de twee beschreven benaderingen gebruikten. De oudere methoden, hoewel beter dan willekeurig gokken, bleven consequent achter, met nauwkeurigheidspercentages variërend van het midden van de 80 tot de hoge 90 procent. Het nieuwe systeem, dat het brede zicht en het gedetailleerde zicht combineerde met zijn speciale communicatielink, presteerde beter dan al deze methoden. De studie toonde ook aan dat het systeem efficiënt was en afbeeldingen snel genoeg verwerkte om bruikbaar te zijn in een drukke ziekenhuissetting zonder dat daarvoor excessieve rekenkracht nodig was.

De onderzoekers stopten niet bij de cijfers; ze keken ook naar hoe het systeem de afbeeldingen "zag". Ze vergeleken de gebieden die de computer als geïnfecteerd markeerde met de werkelijke geïnfecteerde gebieden die door menselijke artsen waren gemarkeerd. De focus van de computer kwam met hoge precisie overeen met de bevindingen van de menselijke experts, waarbij de grenzen van de infectie en de specifieke texturen die met elke ziekte worden geassocieerd, correct werden geïdentificeerd. Dit niveau van overeenkomst suggereert dat het systeem niet simpelweg raadt op basis van patronen, maar daadwerkelijk de visuele kenmerken van de ziekten leert. De studie concludeert dat dit nieuwe framework een zeer betrouwbaar hulpmiddel biedt voor het diagnosticeren van longziekten op basis van CT-scans. Door een breed begrip van de conditie van de longen te combineren met een scherpe focus op specifieke laesies, biedt het systeem een niveau van nauwkeurigheid dat artsen aanzienlijk kan helpen bij het maken van snellere en meer zelfverzekerde beslissingen voor hun patiënten. Hoewel de studie werd uitgevoerd op een specifieke dataset, suggereren de resultaten een krachtige stap voorwaarts in het gebruik van kunstmatige intelligentie om de diagnose van respiratoire aandoeningen te ondersteunen.