CovidCTNet : Une approche open-source d'apprentissage profond pour identifier la Covid-19 à l'aide d'images TDM

La maladie à coronavirus 2019 (Covid-19) est hautement contagieuse et présente des options de traitement limitées. Un diagnostic précoce et précis du Covid-19 est crucial pour réduire la propagation de la maladie et sa mortalité associée. Actuellement, la détection par réaction de polymérisation en chaîne inverseur de transcriptase (RT-PCR) est considérée comme l'étalon-or pour le dépistage ambulatoire et hospitalier du Covid-19. Bien que l'RT-PCR soit une méthode rapide, son taux d'exactitude dans la détection ne dépasse que ~70-75 %. Une autre stratégie approuvée consiste à utiliser l'imagerie par tomographie computée (CT). L'imagerie par CT présente une sensibilité beaucoup plus élevée, de ~80-98 %, mais une précision similaire de 70 %. Pour améliorer la précision de la détection par imagerie CT, nous avons développé un ensemble d'algorithmes open source appelé CovidCTNet qui distingue avec succès le Covid-19 de la pneumonie acquise dans la communauté (CAP) et d'autres maladies pulmonaires. Par rapport aux radiologues (70 %), CovidCTNet augmente la précision de la détection par imagerie CT à 90 %. Le modèle est conçu pour fonctionner avec des échantillons hétérogènes et de petite taille, indépendamment du matériel d'imagerie CT utilisé. Afin de faciliter le dépistage du Covid-19 à l'échelle mondiale et d'aider les radiologues et les médecins dans le processus de tri, nous mettons à disposition tous les algorithmes et les détails paramétriques sous forme open source. Le partage open source de notre CovidCTNet permet aux développeurs d'améliorer rapidement et d'optimiser les services tout en préservant la confidentialité des utilisateurs et leur propriété des données.