UC San Diego Health Menggunakan AWS untuk Menerapkan Model Pencitraan Kecerdasan Buatan dalam Waktu 10 Hari

Saat pandemi COVID-19 melanda Amerika Serikat pada musim semi 2020, para peneliti UC San Diego Health telah mengembangkan model pengenalan citra menggunakan machine learning untuk mengidentifikasi pneumonia pada kasus yang sulit dideteksi. Karena pneumonia dengan cepat menjadi salah satu indikator utama infeksi berat pada pasien COVID-19, Dr. Mike Hogarth, petugas informasi riset klinis di UC San Diego Health, meminta bantuan Amazon Web Services (AWS) untuk menyiapkan sistem guna menerapkan model dalam pengaturan klinis yang akan memungkinkan praktisi medis untuk menggunakan informasi dalam melakukan diagnosis dan perawatan.

Keamanan data sangat penting saat file dan informasi pasien digunakan dalam pengaturan layanan kesehatan. Sistem untuk menerapkan model kecerdasan buatan diperlukan agar UC San Diego Health dapat untuk memenuhi aturan ketat yang sesuai dengan HIPAA yang akan digunakan dalam lingkungan klinis. UC San Diego Health telah menyiapkan solusi yang sama sesuai di AWS di masa lalu, dan pengalaman ini memungkinkan tim UC San Diego Health untuk membangun sistem yang mereka inginkan hanya dalam waktu 10 hari dengan menggunakan AWS.

UC San Diego Health adalah salah satu dari 15 universitas riset terbaik di dunia. Sekolah Kedokteran UC San Diego melakukan ratusan uji coba klinis setiap tahun, dan Pusat Penelitian Pelayanan Kesehatan UCSD memiliki spesialisasi untuk mengumpulkan dan menganalisis data hasil kesehatan guna mendukung penelitian. Pada tahun 2018, tim dari UC San Diego Health, dipimpin oleh Dr. Albert Hsiao, profesor radiologi di Sekolah Kedokteran UC San Diego, mengembangkan cara untuk menggunakan machine learning guna mendeteksi pneumonia pada citra sinar-X. “Kami membuat peta probabilitas dengan pengodean warna yang menunjukkan kepastian adanya pneumonia,” kata Dr. Brian Hurt, dokter residen di tim Dr. Hsiao. Menurut Dr. Hsiao, “Pada umumnya model dibuat dengan output ya atau tidak sederhana, yang menunjukkan apakah itu pneumonia atau bukan. Namun, kami merasa bahwa citra diperlukan untuk menyoroti letak kelainan berada.” Tim menerbitkan makalah mengenai hasil ini pada awal tahun 2020.

Tim UC San Diego Health sebelumnya memiliki pengalaman menggunakan AWS untuk menciptakan lingkungan yang aman dan sesuai dengan HIPAA untuk data penelitiannya. “Salah satu pekerjaan pertama saya di UC San Diego Health adalah menciptakan lingkungan di mana informasi kesehatan yang dilindungi dapat dikomputasi dan dipindahkan jika diperlukan,” kata Dr. Hogarth. “Tim kami dan AWS mengadakan rapat mingguan mengenai cara mengoptimalkannya, dan saat pandemi COVID-19 semakin parah, AWS bertanya mengenai bantuan apa yang diperlukan dan apakah ada sesuatu yang ingin kami lakukan.” Model tim Dr. Hsiao tiba-tiba muncul di benak saya.

Tujuannya adalah untuk menerapkan sistem yang dapat mengambil sinar-X dari pengaturan klinis, menjalankan modelnya, dan mengembalikan hasil dengan cepat untuk membantu diagnosis. “Banyak model yang dibuat di laboratorium seperti milik kita berpotensi menjanjikan, tetapi tidak terlalu bermanfaat jika tidak benar-benar dibangun ke dalam alur kerja klinis,” kata Dr. Hsiao. Penerapan semacam itu berpotensi memengaruhi diagnosis, perawatan, dan hasil pasien COVID-19. “Temuan pneumonia COVID-19 pada dasarnya sama dengan pneumonia virus lainnya,” kata Dr. Hsiao. “Model yang dilatih Brian memiliki performa yang baik dalam populasi ini karena merupakan model yang baik untuk mendeteksi pneumonia secara umum.” Model memiliki dua manfaat. Pertama, jika mendeteksi pneumonia pada citra sinar-X, model memerintahkan untuk melakukan tes atau mengulang tes jika sebelumnya hasil tes negatif mungkin salah. Kedua, pada pasien dengan infeksi yang diketahui, pneumonia yang ditemukan melalui sinar-X dapat menunjukkan tingkat keparahan dan prognosis penyakit sehingga dapat menginformasikan perawatan.

Tim peneliti UC San Diego Health telah menyiapkan model untuk mengambil citra dan mengembalikannya dengan overlay kode warna. Untuk menerima citra dan menampilkannya langsung dalam bentuk file pasien, hanya diperlukan cloud yang dapat terhubung ke sistem pencitraan klinis sehingga para profesional medis dapat mengakses dan melihatnya. Karena tim telah menciptakan lingkungan yang sesuai dengan HIPAA di AWS, proyek dapat diaktifkan dan dijalankan hanya dalam waktu 10 hari. “Hari pertama saat dijalankan di AWS, model tersebut berhasil memproses sekitar 400 sinar-X dengan sedikit gangguan,” kata Dr. Hogarth. Dalam 6 bulan ke depan setelah model diterapkan, model memproses lebih dari 65.000 sinar-X, masing-masing dalam waktu 3-4 menit.

Kemampuan model untuk memberikan informasi kepada dokter pada titik perawatan inilah yang membuatnya sangat berguna, dan AWS sangat penting dalam membuatnya tidak hanya mungkin, tetapi mudah dan sederhana untuk dipertahankan. Menurut Dr. Hogarth, dari tim teknologi informasi yang terdiri dari 500 orang di UC San Diego Health, satu anggota dapat memverifikasi kepatuhan berkelanjutan dengan HIPAA dan peraturan lain di lingkungan AWS sebagai bagian dari tugas mereka. Saat tiba waktunya untuk menerapkan model yang dibuat oleh tim Dr. Hsiao dalam pengaturan klinis, instans Amazon Elastic Compute Cloud (Amazon EC2) adalah yang paling dibutuhkan. Lingkungan menawarkan konfigurasi keamanan yang dibutuhkan tim dan mudah diubah ukurannya saat kapasitas komputasi meningkat.

Sebuah makalah terbaru yang diterbitkan oleh Journal of the American College of Emergency Physicians Open menunjukkan bahwa menerapkan model ini telah memengaruhi pengambilan keputusan klinis 20 persen dari masa itu. “Kami hanya mengetahui beberapa hal yang benar-benar memengaruhi pengambilan keputusan klinis sejauh itu,” kata Dr. Hsiao. Akurasi awal model adalah 86 persen, dan tim akan segera melakukan deployment versi yang lebih akurat yang menjelaskan kasus pneumonia yang sering terlewatkan saat berada di belakang jantung.

Evaluasi dukungan keputusan klinis berbasis machine learning dalam alur kerja tempat perawatan yang ada memang penting, tetapi relatif jarang terjadi. Meskipun evaluasi alat analisis citra ini masih perlu perkembangan lebih lanjut, alat ini terbukti secara anekdot memiliki dampak positif. Baru-baru ini, seorang pasien berusia 78 tahun dengan gejala demam dan sakit perut mendapatkan perawatan. Dokter belum mempertimbangkan diagnosis COVID-19, tetapi model tersebut menunjukkan tanda-tanda pneumonia pada sinar-X dada. Jadi, dokter menguji pasien, dan hasilnya pasien positif terjangkit virus.

Tim Dr. Hsiao berencana untuk melanjutkan dan menyempurnakan model, tetapi gagasan untuk mengevaluasi machine learning dan algoritma kecerdasan buatan pada titik perawatan memiliki potensi aplikasi di berbagai penelitian layanan kesehatan lainnya juga. “Bagi kami, ini adalah pipeline pendukung data dan keputusan,” kata Dr. Hogarth. “Kami telah menunjukkan penggunaan pipeline dengan citra-citra ini, tetapi mungkin ada banyak aplikasi lain juga.”