Převod ultrazvukových snímků na zobrazování ve formátu CT pomocí učení založeného na umělé inteligenci

Pozadí a zdůvodnění lékařského experimentu:

Ultrazvukové zobrazování je zobrazovací metoda, která využívá zvukové vlny k charakterizaci struktury a funkce různých orgánů při zdravotních a chorobných stavech. Tato technika je široce používána v klinickém každodenním životě a má mnoho výhod. Vyšetření nezahrnuje použití ionizujícího záření, takže jeho použití je bezpečnější než jiné techniky, jako je rentgen nebo CT (počítačová tomografie). Snímky pořízené a prohlížené na ultrazvukovém přístroji jsou v reálném čase, lze tedy identifikovat změny, které v mnoha případech ovlivňují konečnou diagnózu. Vyšetření je neinvazivní a nevyžaduje ani použití kontrastní látky, která obsahuje látky, které mohou vyvolat alergickou reakci nebo narušit funkci ledvin. Kromě toho je zařízení široce dostupné a lze jej použít i u postele. Kromě zmíněných výhod má ultrazvukový test také významné nevýhody. Ultrazvukové vlny špatně pronikají přes kosti nebo vzduch, což zhoršuje kvalitu testu. Kromě toho je metoda vysoce závislá na dovednostech operátora, takže pro získání dostatečně kvalitních informací a stanovení přesné diagnózy je zapotřebí značných zkušeností. Kvalita testu závisí také na spolupráci subjektu během testu, jako jsou změny držení těla a hluboké dýchání.

Ve srovnání s ultrazvukovým vyšetřením umožňuje CT vyšetření širší anatomický pohled, není omezeno fyziologickými faktory, jako jsou kosti a vzduch. Mezi nejvýraznější nedostatky CT vyšetření patří skutečnost, že test vyžaduje ionizující záření, které nevyhnutelně přináší přímé i nepřímé ohrožení zdraví pacienta. Test navíc vyžaduje více finančních zdrojů a pracovních sil, což je omezením při jeho použití mimo nemocnice nebo v zemích se špatným socioekonomickým postavením.

V této studii se výzkumníci zaměřují na překlenutí propasti mezi těmito dvěma typy technik a vytvoření jednotného systému, který využívá výhody obou. To se provádí vytvořením CT snímků z ultrazvukových snímků. Tento proces bude zahrnovat využití metod umělé inteligence, konkrétně algoritmů strojového učení.

Strojové učení obecně a hluboké učení zvláště nabralo v posledních letech na obrátkách v oblasti počítačového vidění a v poslední době také v oblasti lékařského zobrazování. Kromě toho lze již nyní zaznamenat výrazné úspěchy v klasifikaci onemocnění sítnice, ve které je senzorem fundus kamera nebo optická koherentní tomografie (OCT), v klasifikaci klasifikací V MRI zobrazení prsu 3 a nověji v klasifikace závažnosti onemocnění způsobeného koronavirem pomocí rentgenového a ultrazvukového vyšetření hrudníku.

Strojové učení zahrnuje dvě fáze. V první fázi algoritmus trénuje na označených datech pomocí architektur a cílových funkcí, které umožňují dosáhnout vysoké přesnosti. Ve druhém kroku vyšetřovatelé otestují algoritmus na data, která ještě nebyla pozorována. Je třeba poznamenat, že velké množství tagovaných dat může být velmi užitečné při vývoji algoritmu, ale zároveň může být obtížné vytvořit tagovaná data a může to být dlouhý a nákladný proces. Vyšetřovatelé proto využijí přístupy bez dozoru nebo částečně pod dozorem.

Cíle lékařského výzkumu: Poskytování sonografických a radiografických informací systému umělé inteligence za účelem vytváření CT snímků z ultrazvukových snímků, aby byla umožněna lepší prostorová orientace a také lepší charakterizace snímaných anatomických struktur.

Typ studie: Prospektivní, otevřená studie, ve které si lékař i pacient uvědomují způsob a účel skenování.

Experimentální postup: Účastníci, kteří splní kritéria studie, podstoupí kompletní ultrazvukové vyšetření břišních orgánů pomocí klinického ultrazvukového přístroje v Imaging Institute ve zdravotnickém centru Haemek. Předpokládaná doba trvání zkoušky je 20 minut. Ultrazvukové snímky budou vizuálně spojeny s předchozími CT snímky stejného pacienta v době vyšetření pomocí systému Fusion umístěného ve výše uvedeném ultrazvukovém zařízení.

Upozorňujeme, že pokud se účastník dostavil na klinické ultrazvukové vyšetření, které mělo v každém případě proběhnout, absolvuje klinické vyšetření jako obvykle a poté samostatně absolvuje vyšetření popsané výše v rámci studie.

Spojené CT a ultrazvukové snímky budou zakódovány a odeslány do laboratoře SAMPL ve Weizmannově institutu, kde snímky poslouží jako výuková platforma pro systém umělé inteligence. Obrázky budou přeneseny až poté, co budou osobní údaje subjektu zakódovány do souboru EXCEL a uloženy hlavním řešitelem. Pouze hlavní výzkumník a sekundární výzkumníci budou vystaveni informacím před kódováním, které budou uloženy na vyhrazeném počítači u hlavního výzkumníka, chráněné heslem.

Shromážděné kódované informace budou průběžně během výzkumu předávány Weizmannově institutu, aby bylo zajištěno dobré získávání informací a možnost zpětné vazby v reálném čase vedoucímu výzkumníkovi ve prospěch získávání kvalitnějších informací umožňujících analýzu dat.

Při jakékoli budoucí žádosti laboratoře SAMPL o podrobnosti o účastnících bude muset laboratoř kontaktovat sériové číslo, když bude kódovací klíč výhradně na klinickém místě (nemocnice Haemek). Laboratoř SAMPL ve Weizmannově institutu nebude žádným způsobem a v žádné fázi experimentu vystavena identifikačním informacím o účastnících.

Monitorování účastníků a hlášení lékařských nálezů

Pokud se v průběhu studie objeví neočekávané lékařské nálezy, které jsou důležité pro zdraví pacienta, je povinností hlavního zkoušejícího bezodkladně je předat ošetřujícímu lékaři k dalšímu sledování a léčbě podle potřeby standardní lékařskou péčí. Účastníci nebudou po experimentálním skenování v rámci klinické studie sledováni.