Tidlig diskrimination af periprostetiske hofteinfektioner ved hjælp af neurale netværk (SEPTIC-ANNR) (SEPTIC-ANNR)

Periprostetiske hofteinfektioner er et varmt emne inden for ortopædkirurgi, hvis forekomst er omkring 1 %. Sygeligheden, dødeligheden og ekstraomkostningerne forbundet med langvarig indlæggelse og yderligere behandlinger er de største bekymringer. Periprotetiske infektioner diagnosticeres generelt ved hjælp af CDC-kriterierne (Center for Disease Control and Prevention) (2014). Diagnosen er baseret på større og mindre kriterier, herunder præoperative og intraoperative parametre. For at opnå en pålidelig diagnose af infektion, når fistel ikke er til stede, kræves synovialvæskeaspiration eller vævsprøver. Disse teknikker er dog dyre og invasive. Ydermere er følsomheden ikke altid så nøjagtig, som det fremgår af nogle serier af revisionsoperationer udført for formodet aseptisk løsning, som viste sig at være septisk efter kulturer. Derfor opstår diagnosticering af infektion ofte sent og efter en lang, kompleks, dyr og ikke altid afgørende diagnostisk undersøgelse, hvilket påvirker timingen og succesen af ​​behandlingen.

En praktisk, hurtig, pålidelig og ikke-invasiv (eventuelt ambulant) diagnostisk procedure for periprostetiske infektioner ville være ønskelig. Det kan stole på diagnostisk billeddannelse, hvilket begrænser opsamlingen af ​​væske eller væv til tvivlsomme tilfælde. I øjeblikket anvendes CT- og nuklearmedicinske billeddannelsesteknikker ikke rutinemæssigt til diagnosticering af infektion på grund af den beskedne pålidelighed, omkostninger og eksponering for strålingsmidler.

For nylig er neurale netværk blevet introduceret: de består af mange simple parallelle processorer, dybt forbundne, der realiserer en beregningsmodel. Neurale netværk efterligner hjernen og dens evne til at lære. Beregningsmodeller genkender visuelle signaler, håndterer komplekse situationer i realtid, klassificerer og håndterer støj, bruger associativ hukommelse med realtidsadgang til store mængder data og rekonstruerer delvis eller beskadiget information. Neurale netværk er allerede blevet brugt til at forudsige begyndelsen af ​​infektioner, metastaser og behandlingssvigt ved at integrere kliniske og diagnostiske billeddata. Til dato er der ikke udført undersøgelser af neurale netværk ved periprostetisk infektion. Formålet med denne undersøgelse er at evaluere, om neurale netværk (cellulære neurale netværk-genetisk algoritme), anvendt på konventionelle røntgenbilleder, er nøjagtige, følsomme og specifikke for tidlig diskrimination af en periprostetisk hofteinfektion, der allerede er diagnosticeret med velkendte metoder ( CDC 2014).

Specifikt udvælges en population af patienter med en komplet røntgenhistorie (præoperative røntgenbilleder og en række andre postoperative røntgenbilleder), behandlet for septisk eller aseptisk løsning.

Begge tilfælde er nødvendige for at "instruere" et neuralt netværk. Det første trin består i at identificere en på hinanden følgende patienter med septisk eller aseptisk løsningsdiagnose ved at konsultere hospitalets database. Patienter er således kategorisk opdelt i septisk eller aseptisk løsnelse. 2014 CDC-kriterierne anvendes (som rutinemæssigt udføres i kliniske omgivelser), og tilføjer et andet vigtigt og nødvendigt kriterium: mindst 3 positive intraoperative vævsprøver (samme mikroorganisme). I tilfælde af aseptisk løsning må sagen ikke opfylde CDC 2014-kriterierne. Således indsamles patienternes billeddiagnostik og kliniske data. Efter at have fastslået diagnosen behandles det radiografiske materiale (cellulære neurale netværk-genetisk algoritme). Den foreslåede procedure behandler de radiografiske billeder ved hjælp af følgende pipeline og MatLab-softwaren (Mathworks, Natick, USA):

• baseline: det første post-implantatbillede sammenlignes med det præimplanterede røntgenbillede;
• fremskridt registreres ved periodiske røntgenbilleder ved hjælp af standard- og repeterbare projektioner (røntgenbilleder af bækkenet);
• funktionerne uddrages fra hvert billede i det manuelt segmenterede område (interesseområde - ROI). Tre trin finder sted: 1) billedforbehandling for at skabe ensartede rammer for inputdata (billeder på gråt niveau). Farvehistogramudligning; 2) funktioner ekstraheret fra neurale netværk anvendes til ROI. Kloning af skabeloner ved hjælp af genetiske algoritmer. Funktionerne vil blive behandlet af et fuldt tilsluttet lag + SoftMax; 3) funktioner ekstraheret fra AutoEconder med fuldt tilsluttet lag + SoftMax;
• analyse af differentielle radiografiske træk (analyse af cellulære og konvolutive sider) og sammenligning med baseline. Efterbehandling på følgende måde: 1) fuldt forbundet regressionslag og multiklasseklassifikator: vil producere procentdelen af ​​septisk progressionsrisiko; 2) fuldt forbundet regressionslag og binær klassifikator: funktioner i de septiske/aseptiske klynger;
• et endeligt beslutningstræ: sammensmeltning af de ovennævnte data, hvilket giver en procentdel af risikoen for septisk progression ved den indekserede billeddannelse. Målet er at verificere, om de neurale netværk, der anvendes til radiografisk billeddannelse, nøjagtigt, følsomt og specifikt kan genkende en sen, kronisk periprostetisk hofteinfektion diagnosticeret i henhold til validerede og bestemte kriterier.