Výzkum inteligentní diagnostiky a léčby založené na hlubokém učení

Tato studie je zobrazovací klinická studie umělé inteligence, jejímž cílem je vyvinout, natrénovat a validovat modely hlubokého učení pro multimodální zobrazovací analýzu kraniomaxilofaciální oblasti a inteligentní podporu klinického rozhodování. Plánuje se zařazení přibližně 2 000 účastníků. Všichni účastníci budou mít zobrazovací data kraniomaxilofaciální oblasti a související klinické informace získané během rutinní zubní, ortodontické, stomatologické, maxilofaciální nebo související klinické péče.

Zobrazovací data použitá v této studii mohou zahrnovat dvourozměrné fotografie obličeje, snímky z kuželové výpočetní tomografie a trojrozměrné skeny povrchu obličeje. Související klinická data mohou zahrnovat demografické informace, klinickou diagnózu, skeletální nebo dentální klasifikaci, cefalometrická měření, záznamy související s léčbou a dostupná odborná hodnocení. Tato studie se zaměří na vývoj modelů umělé inteligence pro klasifikaci kraniomaxilofaciálních snímků, detekci anatomických bodů, regionální segmentaci, rozpoznávání abnormalit a podporu rozhodování souvisejícího s léčbou.

Před vývojem modelu budou všechna zobrazovací data podrobena standardizovanému předzpracování. Postupy předzpracování mohou zahrnovat de-identifikaci obrazu, hodnocení kvality, konverzi formátu, korekci orientace obrazu, ořezávání, standardizaci rozlišení, normalizaci stupňů šedi nebo intenzity, prostorové registraci a extrakci oblasti zájmu. U dvourozměrných snímků budou podle konkrétní zobrazovací úlohy definovány standardizované obličejové nebo rentgenové oblasti. U dat z kuželové výpočetní tomografie a trojrozměrných dat povrchu obličeje může předzpracování zahrnovat objemovou rekonstrukci, rekonstrukci povrchu, zpracování sítě, zpracování mračna bodů nebo extrakci anatomických struktur.

Referenční štítky budou odvozeny z klinických lékařských záznamů, diagnózy lékaře a odborného ručního anotování. Pro segmentační úlohy budou anatomické oblasti nebo struktury ručně anotovány vyškolenými kliniky nebo kalibrovanými výzkumníky. U úloh detekce anatomických bodů budou předem definované anatomické body anotovány podle standardizovaných protokolů měření kraniomaxilofaciální oblasti. U klasifikačních úloh bude na základě odborného posouzení určen skeletální vzor, dentální vztah, kategorie kraniomaxilofaciální morfologie nebo jiné klinicky smysluplné klasifikační štítky. Bude také hodnocena konzistence mezi hodnotiteli a vnitřní konzistence hodnotitelů, aby byla zajištěna spolehlivost ručních anotací a klinických štítků.

Soubor dat přibližně 2 000 účastníků bude rozdělen na trénovací, validační a testovací datové sady. Sedmdesát procent dat bude použito pro trénování modelu, 15% pro validaci modelu a 15% pro nezávislé testování.

Modely hlubokého učení budou zahrnovat konvoluční neuronové sítě, modely založené na pozornosti a modely víceúkolového učení. Vývoj modelu bude zahrnovat optimalizaci hyperparametrů, regularizaci, augmentaci dat a monitorování výkonu na základě validační datové sady.

Pro úlohy segmentace obrazu bude výkon modelu hodnocen pomocí metrik přesnosti segmentace, včetně Diceova koeficientu podobnosti, průniku přes sjednocení, pixelové přesnosti, senzitivity, specificity a případně metrik okrajové vzdálenosti, jako je Hausdorffova vzdálenost nebo průměrná povrchová vzdálenost. Pro úlohy klasifikace obrazu a diagnostického rozpoznávání bude výkon modelu hodnocen pomocí přesnosti, preciznosti, citlivosti (recall), F1-skóre, senzitivity, specificity, pozitivní prediktivní hodnoty, negativní prediktivní hodnoty, analýzy ROC křivky a plochy pod ROC křivkou. Matice záměn bude použita k popisu distribuce správných a nesprávných klasifikací napříč diagnostickými kategoriemi. Pro úlohy více tříd budou uvedeny makroprůměrné a vážené metrik výkonu. U úloh detekce anatomických bodů bude výkon modelu hodnocen pomocí střední radiální chyby, střední absolutní chyby, míry úspěšné detekce v klinicky smysluplných vzdálenostních prahech a shody s odbornými anotacemi. Pro úlohy podpory rozhodování souvisejícího s léčbou budou výstupy modelu porovnány s odborným klinickým úsudkem. Hodnotící metrika bude zahrnovat přesnost, preciznost, F1-skóre, AUC a analýzu rozhodovacích křivek.

Personál zapojený do anotace obrazu a zpracování dat obdrží před zahájením studie příslušné školení. Přístup k identifikovatelným osobním údajům bude omezen na oprávněný výzkumný personál. Analytické datové sady použité pro vývoj modelu budou pokud možno de-identifikovány nebo pseudonymizovány.

Plánované zařazení přibližně 2 000 účastníků by mělo umožnit analýzy podskupin a testování robustnosti, pokud je distribuce zobrazovacích modalit a klinických kategorií odpovídající. Budou zaznamenány chybějící, nedostupné, neinterpretovatelné nebo nekonzistentní data.

Modely umělé inteligence vyvinuté v této studii jsou určeny k podpoře poskytovatelů zdravotní péče při analýze kraniomaxilofaciálního zobrazení a klinickém rozhodování. Modely nenahradí odbornou klinickou diagnostiku nebo individualizované plánování léčby kvalifikovanými lékaři. Jakákoli budoucí klinická aplikace těchto modelů bude vyžadovat další validaci, klinické posouzení a příslušné institucionální nebo regulační schválení.