来自伦敦大学学院和AHRI的伦敦纳米技术中心的学者使用了这项技术深度学习提高卫生工作者诊断能力的算法艾滋病毒在南非农村进行横向流动测试。他们的发现涉及对现场获得的艾滋病毒检测结果进行的首次也是规模最大的研究，这些检测结果已得到应用机器学习帮助将它们分类为正或负面。每年在世界各地进行超过1亿艾滋病毒检验，甚至甚至在质量保证方面的小幅提升可能会通过降低误报和负面的风险来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，可以从终端用户在移动设备上拍摄的图像读取测试结果。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持续治疗。
在COVID-19大流行期间一直在使用横向流动检测或快速诊断检测(RDTs)，并在疾病控制和筛查中发挥了重要作用。虽然它们提供了一种在临床环境之外(包括自我检测)进行检测的快速而简单的方法，但对非专业人员来说，检测结果的解释有时可能具有挑战性。
自我检测依赖于人们为临床支持和监测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RDTs。
这项新研究检验了人工智能是否应用程序可以支持实地工作者、护士和社区卫生工作者作出的艾滋病毒检测决定。
广告
广告
该研究所的一个由60多名训练有素的实地工作人员组成的小组首先帮助建立了一个图书馆，其中包括在南非夸祖鲁-纳塔尔省实地各种条件下进行的1.1万多张艾滋病毒检测图像移动健康工具及UCL开发的图像采集协议。随后，伦敦大学学院团队将这些图像作为他们的机器学习算法的训练数据。他们比较了算法对图像进行阴性或阳性分类的准确性，以及用户通过眼睛解读测试结果的准确性。
第一作者、i-sense主任Rachel McKendry教授(伦敦大学学院伦敦纳米技术中心和医学院)说:“这项研究是与AHRI的强大合作，证明了使用深度学习成功分类‘真实世界’现场获取的快速测试图像的力量，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卫生工具可以在低收入和中等收入国家产生的积极影响，并为未来进行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。所有参与者都可以在没有培训的情况下使用该应用。
机器学习分类器能够减少阅读RDT时的错误，总体上正确分类RDT图像的准确率为98.9%，而传统的肉眼解释测试的准确率为92.1%。
之前的一项研究显示，在解释艾滋病毒快速诊断试验方面经验不同的用户的准确性在80%至97%之间变化。RDTs可以支持的其他疾病包括疟疾，梅毒，肺结核，流感和非传染性疾病。
第一作者ValérianCurbare（UCL伦敦纳米技术中心）和麦当劳集团的I-Sense研究人员表示：“在昆拉鲁 - 纳塔尔花了一些时间与野外工作者组织收集数据，我已经看到了人们对人有多困难要访问基本的医疗保健服务。如果这些工具可以帮助培训人们解释图像，您可以在检测到初期的艾滋病病毒中发挥作用，这意味着更好地访问医疗保健或避免对人们的巨大影响。这可能会对人们产生大规模的影响生活，特别是艾滋病毒是可传播的。“
该团队现在规划了一个更大的评估研究，以评估系统的表现，用户有不同的年龄，性别和数字识字程度的用户。
还设计了一个数字系统来连接实验室和医疗管理系统，在那里可以更好地监测和管理RDT的部署和供应。
AHRI临床研究部负责人Maryam Shahmanesh教授(伦敦大学学院全球卫生研究所)说:“我们在该地区进行的试验发现，艾滋病毒自我检测对大量青少年和年轻男性有效。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卫生保健联系起来的数字系统，包括与抗逆转录病毒治疗和接触前预防联系起来，有可能分散艾滋病毒预防工作，并实现联合国艾滋病规划署消除艾滋病毒的目标。”
AHRI的人口科学学院负责人Kobus Herbst博士补充说:“这项研究表明，机器学习方法如何能够从全球南方可用的大规模和多样化的数据集中受益，但同时又能响应当地的卫生优先事项和需求。”
这组科学家还建议，通过连接的设备实时报告RDT结果可能有助于劳动力培训和疫情管理，例如通过突出阳性检测数量高的“热点”。他们目前正在将该方法扩展到其他感染，包括COVID-19和非传染性疾病。
前AHRI主任迪南·皮莱教授(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，即世界上最需要帮助的人群不会像高收入地区的人群那样受益。我们的工作表明，通过适当的伙伴关系和参与，我们可以为低收入和中等收入环境下的人们展示效用和利益。”
这项研究发表在自然医学．
