Tyndtarms dyb læringsalgoritmeprojekt

Introduktion.

Hovedformålet med undersøgelsen er at evaluere nøjagtigheden af ​​deep learning-algoritmen til at skelne mellem normal og unormal terminal ileum mod erfarne radiologer på MR-enterografibilleder.

Undersøgelsen bygger på eksisterende forskning, som har vist, at statistiske metoder kan identificere steder med tyndtarms-Crohns sygdom. Men processen var tidskrævende >1 time og ikke fuldautomatisk. Vores projekt undersøger, om banebrydende "deep learning"-algoritme (baseret på neurale netværk) kombineret med øget computerkraft kan give nøjagtige og rettidige oplysninger.

Projektet er designet i fællesskab af specialistradiologer i gastrointestinal billeddannelse (som er opmærksomme på udfordringerne med at afbilde Crohns sygdom nøjagtigt) og Imperial College Computer Science Department (som har erfaring med at udvikle neurale netværk til medicinsk billeddannelse). Input og anmeldelse fra London North-West Research and Development-afdelingen er også anerkendt.

Studere design.

Retrospektivt design og rekruttering.

Undersøgelsen vil retrospektivt identificere kvalificerede patienter og bruge en konsekutiv case-sampling-teknik (alle kvalificerede billeder vil blive inkluderet, der arbejder baglæns fra de seneste).

Denne retrospektive tilgang går på kompromis mellem, at generaliserbarheden af ​​resultater reduceres i forhold til, at undersøgelsen udføres relativt hurtigt og til lave omkostninger (undersøgelsen har ingen bevillingsfinansiering).

Efterforskerne er sikre på, at resultaterne kan generaliseres, da et rekrutteringsmål på 113 normale tilfælde og 113 tilfælde med terminal ileal sygdom bør dække spektret af normale og unormale udseender (tidligere undersøgelser har brugt <50 billedsæt).

Tilfælde med normal terminal ileum på MR er inkluderet, da en tilgang til algoritmeudvikling involverer sammenligning af billeddannelsesegenskaber ved normal og unormal terminal ileum på MR-studier.

Ikke-eksperimentel tilgang.

Metoden anvender MR-scanninger, der udføres som en del af standard klinisk behandling. Der foretages ingen yderligere billeddannelse til denne undersøgelse. Undersøgelsesresultaterne vil ikke ændre den aktuelle behandling/de kvalificerede patienter tager..

Samtykke og fortrolighed.

Da billederne, der bruges til algoritmeudvikling, er fuldstændig anonymiserede, vil der ikke blive indhentet udtrykkeligt samtykke. Dette følger vejledning fra General Medical Council Guidelines i 2011 og The Royal College of Radiologists (UK) i 2017, som angiver, at anonymiserede optagelser kan deles til brug i forskning uden samtykke.

MR-billeder brugt til denne undersøgelse blev erhvervet som en del af rutinemæssig standard klinisk pleje og ville rutinemæssigt blive set af de radiologer, der deltog i denne undersøgelse, som en del af deres normale arbejdspraksis.

Så snart en passende patient er identificeret, vil patientens billeder blive kopieret i en fuldstændig anonymiseret form uden direkte eller indirekte identifikatorer. En robust anonymiseringsfunktion er inkluderet i billedvisningsprogrammet for radiologi. Undersøgelsesemneidentifikatorer vil blive tilfældigt tildelt for at forhindre pseudo-anonymisering, hvis scanninger fra den samme patient på forskellige tidspunkter er inkluderet.

Ingen følsomme/patientidentificerbare data vil blive overført til algoritmeudvikling under undersøgelsen. Algoritmeudviklingen er baseret på at matche MRI-pixelintensiteter med sygdomsscore/annoteringer på tværs af flere scanninger. Anonymisering påvirker ikke pixels i billedet. Kun aggregerede data vil blive præsenteret i publikationer - dvs. eksempler på enkelttilfælde vil ikke blive offentliggjort.

Interessekonflikt. Forskerne i denne undersøgelse erklærer ingen interessekonflikt.