Et computerstøttet (CADx） System i realtidskarakterisering af kolorektale ulcerative sygdomme

Målet med denne observationsundersøgelse er at konstruere og validere et computerstøttet (CADx） System i realtidskarakterisering af kolorektale ulkreative sygdomme. Endoskopiske fotos og videoer vil blive hentet fra eksisterende database i studiecentrene. For hvert kolorektalt ulcus vil der blive indfanget forskellige endoskopiske visninger. Relevant basislinjedemografi, laboratorierapporter, billeddiagnostiske rapporter, endoskopirapporter og histopatologiske resultater vil blive indsamlet til analyse. Placeringen, størrelsen og morfologien af ​​hver tyktarmslæsion vil blive registreret. Diagnosen af ​​alle kolorektale ulcerative sygdomme blev grundigt evalueret af uafhængige patologer og gastroenterologer. I vores undersøgelse vil vi fokusere på følgende undertyper af kolorektale ulcerative læsioner:

1. kolorektal cancer (CA);
2. Crohns sygdom (CD);
3. Colitis ulcerosa (UC);
4. intestinal tuberkulose (ITB);
5. iskæmisk colitis (IC). Alle data vil blive afidentificeret før central behandling for at sikre fortrolighed. Et projektspecifikt løbenummer vil blive brugt til at repræsentere hvert enkelt emne. Alle kliniske data og afidentificerede endoskopiske billeder vil blive holdt fortrolige og vil ikke blive delt med nogen tredjepart.

En træningskohorte vil blive udviklet fra størstedelen af ​​de inkluderede cases, efterfulgt af en valideringskohorte med de resterende cases. De endoskopiske billeder og videoer vil blive forberedt til at træne det indviklede neurale netværk og tilbagevendende neurale netværk ved at vælge passende regioner af interesse (ROI). Multiple ROI inden for samme kolorektale ulcerative sygdom vil blive indsamlet for at reducere selektionsbias. Annotering og validering af endoskopiske billeder vil blive udført af forskerholdet. Billederne vil blive yderligere segmenteret i fliser af samme størrelse til videre behandling. Deep learning-algoritmer vil blive anvendt til at lære og udtrække funktioner på billed- og videodata. Vi vil udvikle det tilbagevendende foldningsnetværk for at udnytte den komplementære information om visuelle og tidsmæssige træk udtrukket fra videoen. Valideringsdata oprettes også under samme princip, som muliggør krydsvalidering for modelnøjagtighed.