Retrospektivní případová kontrolní studie pro vývoj nástroje umělé inteligence (AI) pro detekci lézí pomocí magnetické rezonance (MRI) a klinických proměnných pro včasnou diagnostiku axiální spondyloartrózy (axSpA) (InnovaDetect)

POZADÍ

Spondylartritida (SpA) je skupina chronických zánětlivých onemocnění autoimunitní povahy, která sdílejí společné klinické a genetické rysy, včetně asociace s antigenem HLA-B27. Patří mezi nejčastější revmatická onemocnění s prevalencí 0,01–2,5 %. Všechny tyto stavy nutí pacienty přejít na chronické invalidizující onemocnění.

Pacienti se SpA mohou být klasifikováni na základě jejich klinické prezentace buď do převážně axiální SpA (axSpA) nebo převážně periferní SpA. Axiální SpA je charakterizováno primárním postižením sakroiliakálních kloubů (SIJ) a/nebo páteře, což vede k výrazné bolesti a invaliditě. Až do nedávné doby se diagnostika axSpA opírala o detekci strukturálních změn evokujících sakroiliitidu u SIJ pomocí prosté radiografie.

Zavedení zobrazování magnetickou rezonancí (MRI) pro hodnocení SIJ významně pokročilo v rozpoznávání axSpA. MRI dokáže odhalit časné zánětlivé procesy i u pacientů, kteří ještě nemají strukturální léze. Kromě toho MRI prokázala převahu nad radiografií při detekci strukturálních změn v SIJ. Definice „pozitivní MRI“ u SpA však zůstává kontroverzní, protože jak senzitivita, tak specificita mají svá omezení. Včasná diagnostika SpA je stále důležitější, protože léčba je nyní dostupná a MRI se objevuje jako preferovaná volba pro časnou diagnostiku. Řada randomizovaných kontrolovaných studií látek protinádorových nekrotizujících faktorů u ankylozující spondylitidy prokázala regresi zánětlivých lézí v páteři pomocí MRI. Kromě toho se role MRI v časné diagnostice SpA lépe prokázala a pro diagnostiku axSpA byly definovány zobrazovací znaky aktivní sakroiliitidy pomocí MRI.

ODŮVODNĚNÍ STUDIE

Navzdory současným pokrokům v lékařském zobrazování a neustálému úsilí o zlepšení klasifikačních kritérií pro axSpA zůstává velká část pacientů s axSpA poddiagnostikována, což vede ke zpožděním v diagnóze, což může mít za následek špatnou prognózu. Objem nestrukturovaných dat pocházejících z lékařského zobrazování přispívá k diagnostickým zpožděním. Integrace technologií umělé inteligence a strojového učení v medicíně pro zpracování velkých souborů dat vedla k rychlejší a přesnější analýze, identifikaci mezer v důkazech v reálném světě a agilnímu generování důkazů pro řešení potřeb poskytovatelů zdravotní péče a zdravotnických systémů.

Tato studie si klade za cíl vyvinout diagnostický nástroj AI, který kombinuje kvantitativní data MRI s klinickými informacemi, které pomohou při časné diagnostice axSpA.

CÍLE

Primární cíl: Vytvořit nástroj AI, který umožní včasnou diagnostiku axSpA a detekci lézí na základě MRI.

Sekundární cíl: Klinická validace modulu AI.

Cíl průzkumu:

• Automatická charakterizace lézí (edém, eroze, tuková metaplazie a ankylozující) na základě kvantifikace textury a radiomiky a analýzy hlubokých znaků.
• Stanovení normativních hodnot pro texturní zobrazovací biomarker na SIJ.

VZOR POPISU

Soubor dat bude sestávat z 900 MRI shromážděných retrospektivně. MRI vyšetření budou získávána od pacientů s aktivní axSpA a od pacientů s neaktivní nebo žádnou axSpA (kontrolní skupina). Poměr kontroly a případu bude nastaven na 40/60, což algoritmu umožní učit se z obou podmnožin bez upřednostňování jedné skupiny před druhou. Protože AI může snadněji charakterizovat normalitu než patologii, podíl non-axSpA a normálních MRI může být nižší (přibližně 40 %) ve srovnání s 60 % přidělenými axSpA MRI. Ve skupině aktivní axSpA by distribuce MRI napříč klasifikačními kategoriemi (edém, ankylozující, eroze a tuková metaplazie) měla být co nejvyváženější, ideálně s 25 % přiřazenými každé kategorii. Každá MRI nemusí nutně pocházet od jiného pacienta, protože mohou představovat různé časové body pro stejného jedince.

ANALÝZA PLÁN

1. Kontrola kvality obrazu.

   Všechny snímky obdržené ze stránek budou zkontrolovány zobrazovacími techniky, aby byla zaručena homogenita dat

2. Centralizovaná interpretace obrazu.

   Centralizovaný radiologický přehled snímků MRI bude proveden zkušenými radiology MSK. Každý případ budou hodnotit dva radiologové. Pokud mezi nimi dojde k neshodě, případ přezkoumá třetí radiolog.

   Radiologové zařadí MRI do různých tříd a kohort studie na základě kritérií ASAS pro definování aktivní sakroiliitidy na MRI pro klasifikaci axiální spondyloartritidy. Všichni radiologové zapojení do projektu projdou školením pro detekci lézí podle kritérií ASAS a toto školení bude zdokumentováno a uloženo v úložišti studie.

3. Proces anotace.

   Zobrazovací technici vymezí léze detekované odbornými radiology MSK, aby vytvořili 3D objem. To bude poté přezkoumáno odborným radiologem MSK.

4. Extrakce zobrazovacích biomarkerů.

   Pro získání dalších informací o značených lézích bude provedena analýza textury pro kvantifikaci několika znaků souvisejících s heterogenitou tkáně, které lze považovat za indikátor patologického procesu. Radiomický panel bude založen na následujících funkcích:

   • Strukturální nebo tvarové rysy: Popis geometrických vlastností obrazu. Příklady těchto znaků jsou objem, maximální ortogonální průměr, maximální plocha povrchu, kompaktnost, fraktální rozměr nebo kulovitost léze.

   • Statistické charakteristiky jsou ty, které jsou odvozeny ze statistických vztahů. Mohou to být postupně:

     • První řád nebo distribuční: Poskytují informace o frekvenci jednotlivých hodnot voxelů, aniž by zohledňovaly jejich prostorové vztahy. Toto rozdělení je prezentováno ve formě histogramů, které udávají průměr, medián, maximum a minimum v intenzitách voxelů, ale také o asymetrii, špičatosti, uniformitě nebo entropii rozdělení.
     • Druhý řád nebo textura: Odrážejí vztahy mezi sousedními voxely, umožňují získat prostorové uspořádání jejich intenzit, čímž poskytují představu o architektuře a heterogenitě studované tkáně. Tyto vztahy se získávají pomocí statistických analýz, jako jsou matice kookurence, které měří pravděpodobnost, že dva sousední voxely mají stejnou intenzitu signálu.
     • Vyšší řád: Jedná se o kombinace vlastností získaných komplexní statistickou analýzou, jako je fraktální analýza, na snímcích, na které byly aplikovány filtry nebo matematické transformace za účelem maximalizace nebo minimalizace vzorů, odstranění šumu nebo zvýraznění určitých detailů.
   • Hluboké vlastnosti: Jedná se o vlastnosti získané analýzou obrázků pomocí konvolučních neuronových sítí (CNN) nebo jiných algoritmů hlubokého učení. Tyto algoritmy jsou trénovány tak, aby byly schopny v obrazu automaticky určit a vybrat tyto prvky nebo sady klasifikačních prvků bez potřeby lidského zásahu.
5. Vývoj modulu AI.

Pomocí MRI shromážděných spolu se zobrazovacími biomarkery a dalšími dostupnými klinickými informacemi vytvoří vědci zabývající se daty model založený na AI, který každému subjektu poskytne pravděpodobnostní skóre axSpA.

Pro vytvoření modulu AI bude databáze rozdělena do tří nevyvážených dílčích datových sad (trénink, validace a test). Větší datová sada obrázků bude použita pro trénování modulu. Po trénovací fázi bude ověřovací databáze použita ke kontrole, zda je klasifikace provedena dobře, nebo zda by měl být model trénován znovu.

Trénink: Sada případů používaných k přizpůsobení modelu během tréninkového procesu. To budou případy, které bude model používat k vyladění svých vah, tedy případy, které bude model používat k „učení“.

Validace: Sada případů používaných k vyhodnocení modelu během tréninkového procesu, proto se nepoužívá k ladění vah modelu. Tato datová sada se používá pro tři hlavní účely:

• Ladění hyperparametrů.
• Detekce overfittingu: Během trénovacího procesu, po každé iteraci trénování (epochy), je model vyhodnocen jak přes trénovací, tak ověřovací datové sady.
• Výběr „nejlepšího“ modelu během tréninkového procesu, to znamená, že se ukládají váhy z tréninkové iterace, ve které jsou získány nejlepší ověřovací metriky.

Test: Pro závěrečné vyhodnocení modelu bude použita samostatná sada, která se nepoužívá pro školení nebo validaci.

V této studii budou MRI zkoušky získány z různých skenerů a institucí. Proto se akviziční protokoly a rekonstrukční techniky mohou mezi skenery lišit. K vyřešení tohoto problému budou použity techniky předběžného zpracování ke standardizaci obrázků na různých skenerech.