Včasná diskriminace periprotetických infekcí kyčle pomocí neuronových sítí (SEPTIC-ANNR) (SEPTIC-ANNR)

Periprotetické infekce kyčelního kloubu jsou žhavým tématem ortopedické chirurgie, jejichž incidence se pohybuje kolem 1 %. Hlavními obavami jsou nemocnost, mortalita a dodatečné náklady spojené s prodlouženou hospitalizací a další léčbou. Periprotetické infekce jsou obecně diagnostikovány pomocí kritérií CDC (Centrum pro kontrolu a prevenci nemocí) (2014). Diagnóza je založena na hlavních a vedlejších kritériích, včetně předoperačních a intraoperačních parametrů. Aby bylo možné dosáhnout spolehlivé diagnózy infekce, když není přítomna píštěl, je zapotřebí aspirace synoviální tekutiny nebo vzorky tkáně. Tyto techniky jsou však drahé a invazivní. Navíc citlivost není vždy tak přesná, jak ukazují některé série revizních operací provedených pro předpokládané aseptické uvolnění, které se po kultivacích ukázalo jako septické. K diagnóze infekce proto často dochází pozdě a po dlouhém, složitém, nákladném a ne vždy rozhodujícím diagnostickém zpracování, které má dopad na načasování a úspěšnost léčby.

Praktický, rychlý, spolehlivý a neinvazivní (možná ambulantní) diagnostický postup pro periprotetické infekce by byl žádoucí. Může se spoléhat na diagnostické zobrazování, které omezuje odběr kapaliny nebo tkání na pochybné případy. V současné době nejsou zobrazovací techniky CT a nukleární medicíny v diagnostice infekcí běžně používány kvůli skromné ​​spolehlivosti, nákladům a expozici radiačním látkám.

Nedávno byly zavedeny neuronové sítě: skládají se z mnoha jednoduchých paralelních procesorů, hluboce propojených, realizujících výpočetní model. Neuronové sítě napodobují mozek a jeho schopnost učit se. Výpočtové modely rozpoznávají vizuální signály, zvládají složité situace v reálném čase, klasifikují a řídí šum, využívají asociativní paměť s přístupem v reálném čase k velkému množství dat a rekonstruují částečné nebo poškozené informace. Neuronové sítě již byly použity k předpovědi nástupu infekcí, metastáz a selhání léčby, integrujíc klinická a diagnostická zobrazovací data. Dosud nebyly provedeny žádné studie o neuronových sítích u periprotetické infekce. Účelem této studie je vyhodnotit, zda jsou neuronové sítě (celulární neuronové sítě-genetický algoritmus), aplikované na konvenční rentgenové snímky, přesné, citlivé a specifické pro včasnou diskriminaci periprotetické infekce kyčle, již diagnostikované dobře známými metodami ( CDC 2014).

Konkrétně je vybrána populace pacientů s kompletní rentgenovou anamnézou (předoperační rentgenové snímky a série dalších pooperačních rentgenových snímků), léčených pro septické nebo aseptické uvolnění.

Oba případy jsou nezbytné pro „instruování“ neuronové sítě. První krok spočívá v identifikaci po sobě jdoucích sérií pacientů s diagnózou septického nebo aseptického uvolnění a nahlédnutím do databáze nemocnice. Pacienti jsou tedy kategoricky rozděleni na septické nebo aseptické uvolnění. Používají se kritéria CDC z roku 2014 (jak je rutinně prováděno v klinickém prostředí), přičemž se přidává další hlavní a nezbytné kritérium: alespoň 3 pozitivní intraoperační vzorky tkáně (stejný mikroorganismus). V případě aseptického uvolnění nesmí pouzdro splňovat kritéria CDC 2014. Shromažďují se tedy zobrazovací a klinická data pacientů. Po zjištění diagnózy je zpracován rentgenový materiál (celulární neuronové sítě-genetický algoritmus). Navrhovaný postup zpracovává rentgenové snímky pomocí následujícího potrubí a softwaru MatLab (Mathworks, Natick, USA):

• základní linie: první poimplantační snímek je porovnán s předimplantačním rentgenovým snímkem;
• pokroky jsou zaznamenávány periodickými rentgenovými snímky pomocí standardních a opakovatelných projekcí (rentgen pánve);
• rysy jsou extrahovány z každého snímku v ručně segmentované oblasti (oblast zájmu - ROI). Probíhají tři kroky: 1) předběžné zpracování obrazu, aby se vytvořily jednotné rámce vstupních dat (obrázky na úrovni šedé). Ekvalizace barevného histogramu; 2) vlastnosti extrahované z neuronových sítí jsou aplikovány na ROI. Klonovací šablony pomocí genetických algoritmů. Funkce budou zpracovány plně propojenou vrstvou + SoftMax; 3) funkce extrahované z AutoEconderu s plně propojenou vrstvou + SoftMax;
• analýza diferenciálních rentgenových znaků (analýza buněčné a konvolutivní strany) a srovnání se základní linií. Následné zpracování následujícím způsobem: 1) plně propojená regresní vrstva a multiklasifikátor: vytvoří procento rizika septické progrese; 2) plně propojená regresní vrstva a binární klasifikátor: funkce v septických / aseptických shlucích;
• konečný rozhodovací strom: fúze výše uvedených dat poskytující procento rizika septické progrese na indexovaném zobrazení. Cílem je ověřit, zda neuronové sítě aplikované na radiografické zobrazování dokážou přesně, citlivě a specificky rozpoznat pozdní, chronickou periprotetickou infekci kyčle diagnostikovanou podle ověřených a určitých kritérií.