มีข้อมูลที่รวบรวมสถิติ ที่โรงพยาบาลใช้ AI ในการรับมือกับ COVID-19 ดังนี้

• คัดกรองผู้มีความเสี่ยงในการติดเชื้อ
• ระบุผู้ป่วยที่มีความเสี่ยงสูง
• การคัดกรองเจ้าหน้าที่ บุคลากรทางการแพทย์ที่เป็นแนวหน้าในการเผชิญกับผู้มีความเสี่ยงและผู้ป่วย
• การแยก COVID-19 จากโรคระบบทางเดินหายใจอื่น ๆ ด้วยวิธีการ X-rays หรือ CT scan

AI ได้กลายเป็นหนึ่งในกลไกสำคัญอันดับแรกที่โรงพยาบาลใช้ในการตรวจสอบ คัดกรองผู้ป่วยและระบุผู้มีแนวโน้มเสี่ยงต่อการติดเชื้อ นอกจากการตรวจเช็คอุณหภูมิ ควบคุมและติดตามข้อมูลของผู้ติดเชื้อหรือกลุ่มเสี่ยงแล้ว ยังใช้ AI ในการประเมินสถานการณ์เพื่อเตรียมพร้อมรับมือ เพื่อให้รู้ว่าผู้ติดเชื้อคือใคร กลุ่มเสี่ยงหรือบุคคลที่มีความเสี่ยงจะได้รับการแพร่กระจายของเชื้อนี้จากผู้ติดเชื้อเป็นอย่างไร ไปจนถึงคาดการ์ณและวางแผนทางด้านอุปกรณ์ทางการแพทย์ที่จะต้องใช้เพื่อให้เพียงพอต่อการรองรับสถานการณ์ที่เกิดขึ้น (ที่มา: บทความ STAT ล่าสุด)

ภาพถ่ายทางการแพทย์กับ COVID-19

การคัดแยก COVID-19 จากโรคปอดอื่น โดยใช้ภาพถ่ายทางการแพทย์มีเป็นความหวังสำคัญ เพราะเป็นทางเลือกในการทดสอบในช่วงเวลาที่การตรวจหาสารพันธุกรรมของไวรัสด้วยวิธี Real-time (RT PCR) หรือทางแล็บขาดแคลน หรือใช้ในการสนับสนุนผลจากการทดสอบจากแล็บอีกชั้นหนึ่ง

ในช่วงเดือนมีนาคม โอเพนซอร์สชื่อว่า COVID-Net ได้นำ Convolutional Neural Network (CNN) มาใช้ในการวิเคราะห์ภาพจำนวนกว่า 6,000 ภาพ จากผู้ป่วยมากกว่า 2,800 คน การทดสอบสามารถจำแนกผลการเอ็กซ์เรย์สภาพปอดของผู้ป่วย เช่น เกิดจากแบคทีเรีย ไวรัสที่ไม่ใช่โควิด-19 และไวรัส โควิด-19 และยังมีความพยายามในการสร้างแบบจำลองที่คล้ายกันเพิ่มเติมจาก COVID-Net

สถาปัตยกรรมที่อ้างอิงภาพถ่ายทางการแพทย์

ไม่นานมานี้ NetApp ได้นำเสนอโซลูชันสำหรับภาพถ่ายทางการแพทย์แบบบูรณาการโดยใช้ NVIDIA Clara Train SDK v2.0 ซึ่งใช้ประโยชน์จากการจัดเก็บแฟลช NVIDIA DGX-2 และ NetApp AFF ที่เหมาะสมกับ COVID-19 และการจำแนกภาพและการแบ่งส่วนทางการแพทย์อื่น  โซลูชั่นที่สมบูรณ์จะแสดงให้เห็นถึงสถาปัตยกรรมการขับเคลื่อนข้อมูล ตั้งแต่จากขั้นการบันทึกข้อมูลภาพ การจัดเก็บข้อมูลภาพอย่างเป็นระเบียบ การระบุคุณลักษณะเฉพาะของแต่ละภาพโดยใช้ AI และการนำสิ่งที่เรียนรู้จากข้อมูลมาใช้ปรับแต่งโมเดล AI ที่มีอยู่ต่อไป

ความก้าวหน้าทางเทคโนโลยีภาพถ่ายทางการแพทย์รวมถึงความสามารถในการวิเคราะห์ 3D, 4D แบบเรียลไทม์ และการประมวลผลด้วย GPU ช่วยสร้างเครื่องมือที่ทรงพลังให้กับนักรังสีวิทยาในการวินิจฉัยและให้คำแนะนำได้รวดเร็วขึ้น โดยเฉพาะอย่างยิ่งอัลกอริทึมของการแบ่งเซกเมนต์ (Semantic Segmentation Algorithms) จะทำให้สามารถใช้ประโยชน์ได้หลายด้านมากขึ้น และสามารถปรับใช้ในงานใหม่และกรณีใช้งานอื่นๆ ได้ รูปแบบการทำงานนอกกรอบที่หลากหลายของงานวิจัยและภาพถ่ายทางการแพทย์จะมีผลอย่างมากต่อการดูแลสุขภาพ

เวิร์คโหลดของงานด้านการดูแลสุขภาพนี้สามารถบรรจุข้อมูลได้หลากหลายแบบ อาทิ:

• บันทึกสุขภาพอิเล็กทรอนิกส์
• การบันทึกภาพการผ่าตัดของหุ่นยนต์
• การถ่ายภาพรังสีที่มีความทึบแตกต่างกัน

– ภาพจอประสาทตา

– ภาพอัลตราซาวด์

– ภาพซีที สแกน (CT)

– เอกซเรย์โพซิตรอน (PET)

– ภาพ (MRI)