Projekt algoritmu hlubokého učení tenkého střeva

Úvod.

Hlavním cílem studie je vyhodnocení přesnosti algoritmu hlubokého učení při rozlišování mezi normálním a abnormálním terminálním ileem oproti zkušeným radiologům na snímcích MR Enterografie.

Studie staví na stávajícím výzkumu, který ukázal, že statistické metody mohou identifikovat místa výskytu Crohnovy choroby tenkého střeva. Proces však byl časově náročný > 1 hodinu a nebyl plně automatický. Náš projekt zkoumá, zda špičkový algoritmus „hlubokého učení“ (založený na neuronových sítích) ve spojení se zvýšeným výpočetním výkonem může poskytnout přesné a včasné informace.

Projekt společně navrhli specialisté radiologové na zobrazování gastrointestinálního traktu (kteří jsou si vědomi problémů při přesném zobrazování Crohnovy choroby) a oddělení výpočetní techniky Imperial College (kteří mají zkušenosti s vývojem neuronových sítí pro lékařské zobrazování). Rovněž jsou uznávány příspěvky a recenze z oddělení výzkumu a vývoje severozápadního Londýna.

Studovat design.

Retrospektivní design a nábor.

Studie retrospektivně identifikuje vhodné pacienty a použije techniku ​​postupného vzorkování případů (všechny vhodné snímky budou zahrnuty zpětně od nejnovějších).

Tento retrospektivní přístup je kompromisem mezi redukovanou zobecnitelností zjištění a relativně rychlou a levnou realizací studie (studie je bez grantového financování).

Vyšetřovatelé jsou přesvědčeni o zobecnitelnosti výsledků, protože cíl náboru 113 normálních případů a 113 případů s terminálním ileálním onemocněním by měl pokrýt spektrum normálních a abnormálních vzhledů (předchozí studie používaly <50 sad snímků).

Případy s normálním terminálním ileem na MRI jsou zahrnuty, protože přístup k vývoji algoritmu zahrnuje srovnání zobrazovacích znaků normálního a abnormálního terminálního ilea na MRI studiích.

Neexperimentální přístup.

Metoda využívá MRI skeny prováděné jako součást standardní klinické péče. Pro tuto studii se neprovádí žádné další zobrazování. Výsledky studie nezmění současnou léčbu/léčbu, kterou pacienti užívají.

Souhlas a důvěrnost.

Vzhledem k tomu, že obrázky použité pro vývoj algoritmu jsou plně anonymizované, výslovný souhlas nebude získán. Vyplývá to z pokynů General Medical Council Guidelines v roce 2011 a The Royal College of Radioologists (UK) v roce 2017, které uvádějí, že anonymizované nahrávky mohou být sdíleny pro použití ve výzkumu bez souhlasu.

MRI snímky použité pro tuto studii byly pořízeny jako součást běžné standardní klinické péče a radiologové, kteří se této studie účastní, by je běžně prohlíželi jako součást jejich běžné pracovní praxe.

Jakmile je identifikován vhodný pacient, snímky pacienta budou zkopírovány v plně anonymizované podobě bez přímých nebo nepřímých identifikátorů. Robustní anonymizační funkce je součástí programu pro prohlížení snímků Radiology. Identifikátory studijního subjektu budou náhodně přiděleny, aby se zabránilo pseudoanonymizaci, pokud budou zahrnuty skeny od stejného pacienta v různých časových bodech.

Během studie nebudou přenášena žádná citlivá/pacientově identifikovatelná data pro vývoj algoritmu. Vývoj algoritmu je založen na přiřazování intenzit pixelů MRI ke skóre/anotacím onemocnění na více skenech. Anonymizace nemá vliv na pixely v obrázku. V publikacích budou prezentována pouze agregovaná data – tedy příklady jednotlivých případů nebudou publikovány.

Konflikt zájmů. Výzkumníci v této studii neprohlašují žádný střet zájmů.