IA-model for akut blindtarmsbetændelse i CT

Udvikling af information af bilagsmodel

- Denne undersøgelse brugte en forudtrænet information af appendix (IA) model baseret på en fuldt automatiseret diagnostisk ramme til at forudsige tre klasser med sandsynlighed og funktionskortlægning: non-appendicitis, simpel blindtarmsbetændelse og kompliceret blindtarmsbetændelse.

Pipelinen af ​​IA-modelindlejringsparametre lært fra 3D CT-billedet af 7.147 patienter bestod af en to-trins binær algoritme forbundet til transfer learning med tre 3D CNN-modeller: DenseNet, EfficientNet og ResNet.

- En to-trins binær algoritme til overførselslæring blev anvendt til at lære iboende mønstre fra 3D-billeder af tre ægte klasser, som en kliniker gør, når de beslutter sig for behandling for blindtarmsbetændelse. I det første trin af pipelinen blev en trin 1 klassifikationsmodel udviklet til at identificere non-appendicitis vs. blindtarmsbetændelse. I det andet trin af pipelinen identificerede trin 2-klassifikationsmodellen simpel vs. kompliceret blindtarmsbetændelse ud fra de data, der blev overført med de oplærbare parametre lært i trin 1.

I øjeblikket er den endelige IA-model blevet eksternt valideret ved hjælp af et aldrig tidligere set datasæt fra en ekstern institution med brede berettigelseskriterier for patienter, der besøgte skadestuen med mavesmerter og fik foretaget abdominopelvis CT på grund af klinisk mistanke om akut blindtarmsbetændelse.

Intervention Dette er et komparativt studie mellem humane og IA-modeller for den negative blindtarmsoperation (NAR) i ikke-, simpel og kompliceret blindtarmsbetændelse af et prospektivt randomiseret datasæt, som blev indsamlet fra CT-scanninger af patienter, der besøgte skadestuen med akut abdominal smerte. Deltagerne i kontrolarmen var ti ikke-radiologer.

IA-modellen må ikke hæmme klinikernes præoperative beslutningsproces i den løbende kliniske praksis vedrørende de juridiske og etiske aspekter af udspørgen af ​​IA-modellens diagnostiske rammer om den matematiske begrundelse for et udfald i form af beskyttelse af menneskelige forsøgspersoner.

I betragtning af den minimale risiko for menneskelige forsøgspersoner og de etiske og juridiske aspekter af kunstig intelligens, allokerer studiedesignet strengt CT-billeder til ikke-radiologer og IA-modeller efter afslutning af behandling for blindtarmsbetændelse med eller uden patologisk bekræftelse.

Dataallokering og præstationsevaluering

- For at sammenligne IA-modellen med mennesker og ikke-radiologer ligeligt, bør fortolkningsbetingelsen for en ikke-radiolog opfylde alle kriterier som følger: Kun CT-billeder uden sådanne variabler som alder, køn og laboratorieværdier bør tildeles tilfældigt; tilknytningen af ​​både ikke-radiologen og patienten til CT-billedet bør ikke være den samme; allokeringsforholdet for ikke-appendicitis, simpel og kompliceret blindtarmsbetændelse, der er tildelt ikke-radiologen, bør blindes; og rækkevidden af ​​CT-billedet til fortolkning bør være identisk med rækkevidden af ​​ROI for tillægget, som genereres ved automatisk lokalisering af IA-modellen. For at evaluere den diagnostiske ydeevne hos mennesker blev fire testelementer sat op af en ikke-radiolog som følger: (1) visualisering af appendiks; (2) udelukkelse af blindtarmsbetændelse; (3) komplikationer; og (4) diagnose af CT-billeder.

De primære og sekundære resultater blev vurderet ved hjælp af resultaterne af de fire spørgsmål til deltagerne og den diagnostiske ydeevne af IA-modellen i det samme datasæt.

Etisk erklæring Ifølge "Guide to Utilizing Healthcare Data" og "Guide to Handling Pseudonym Information" fra Personal Information Protection Commission i Ministeriet for Sundhed og Velfærd blev dataeksfiltrering med sikkerhedsgaranti af dataarkivet udført med godkendelse af Data Review Board ved deltagende institutioner. Det centrale institutionelle revisionsudvalg (IRB) og IRB'er fra alle deltagende institutioner godkendte denne undersøgelse.

Prøvestørrelse og statistiske metoder Efterforskernes tidligere undersøgelse, som afsluttede ekstern validering af IA-modellen gennem dataeksfiltrering af eksterne institutioner, viste en NAR på 12,4 % i det eksterne datasæt. Standardreferenceværdien for ikke-radiologer for NAR er blevet rapporteret til 10,5 % ± 5 %. Derfor bør den acceptable forskel i NAR mellem IA-modellen og ikke-radiologer til klinisk anvendelse være mindre end 10,0 % af non-inferiority marginen.

Stikprøvestørrelsen for det randomiserede, kontrollerede datasæt for en enkelt institution var 263 under antagelse af et 95 % konfidensinterval, statistisk styrke på 90 %, to-halet sidet α = 0,05, signifikansniveau = 0,05 og effektstørrelse = 0,2 ved Z-testen . To eksterne institutioner deltog i denne undersøgelse. På grund af dataheterogenitet, normalisering og prævalensforskelle på tværs af regioner mellem de to eksterne institutioner, blev stikprøvestørrelsen beregnet for hver institution. Derfor, hvis man antager 263 patienter pr. institution med et opfølgningstab på 10 %, var den samlede stikprøvestørrelse 568.