AI-app til behandling af atopisk dermatitis

Projektet vil blive udført på Department of Dermatovenereology, West China Hospital ved Sichuan University. Protokollen vil blive godkendt af den biologisk-medicinske etiske komité på det vestlige kinesiske hospital ved Sichuan University, og der vil blive indhentet skriftligt informeret samtykke fra alle deltagere, før vi tager billeder af hudlæsioner, og før vi rekrutterer dem i kliniske forsøg.

1. Automatisk detektion og evaluering af AD baseret på AI deep learning 1.1 Datasæt af atopisk dermatitis Datasættet vil blive etableret fra mere end 10.000 kliniske billeder af AD-patienter til AI deep learning. Billeder af lav kvalitet vil blive udelukket, og billederne med den omgivende baggrund vil blive beskåret til kun at inkludere AD-læsioner.

   1.2 Mærkning af de kliniske tegn på hudlæsioner Mærkningen vil blive udfyldt af tre certificerede hudlæger og tre uddannede algoritmeingeniører. Hudlægerne vil mærke de kliniske tegn, herunder erytem, ​​papulation, ødem, udsivning, excoriation, lichenification og tørhed, og sværhedsgraden af ​​hvert tegn vil blive evalueret og mærket på en fire-punkts skala (0: ingen, 1: mild, 2: moderat og 3: svær). Resultatet af hvert klinisk tegn i et billede vil blive mærket som et eksempel på erytem-2, ødem-2 eller oozing-3. Efter mærkning af billederne verificerer dermatologer og algoritmeingeniører kvaliteten af ​​de mærkede billeder ud fra både kliniske regler og mærkningsregler og krydsvaliderer nøjagtigheden af ​​tegn og sværhedsgrad. Billeder, der opfylder kravene, vil blive brugt til modeltræning. Under mærknings- og modeltræningsprocessen vil det relevante personale være uvidende om alle de private patientoplysninger.

   1.3 Modeltræning Modeltræningen vil blive gennemført efter mærkning af billederne.

   En nøjagtig og effektiv semantisk segmenteringsmodel vil blive trænet til at skelne unormale hudlæsionsområder for at identificere alle de kliniske tegn. En hurtig og nøjagtig hudsegmenteringsmodel på pixelniveau vil blive trænet til at bestemme forholdet mellem læsionsområdet og det samlede hudområde. Desuden vil der blive skabt en effektiv og praktisk metode til at omdanne det segmenterede hudlæsionsområde til reelle hudarealenheder for at opnå den nøjagtige restaurering af den sande størrelse så meget som muligt fra forvrængning af hudlæsionen på grund af skydeafstanden, vinklen, eller automatisk forbedring. Datasættet vil blive opdelt til træning, validering og test. Billeder af 6.500 af 10.000 vil blive brugt til træning og validering af den foreslåede model, og billeder af de resterende 3.500 af 10.000 vil blive brugt til test. Efter træning, kombineret med de forskellige spørgeskemaelementer udfyldt af patienter, vil de evaluerende værktøjer, herunder EASI, SCORED, POEM, pp-NRS og DLQI blive beregnet af modellen.

2. Udvikling af AIADMS-appen Appen vil understøtte Android-systemet og IOS-systemet, og den bliver designet som to versioner til både patienter og klinikere med den fornemme login-indgang. Appens grundlæggende funktion vil omfatte "Push", "Påmindelse", "Upload", "Evaluering" og "Datahåndtering".

   2.1 "Push"-funktionen er designet til at overføre information til patienter og medicinsk personale. Den pushede information kunne modtages og vises på mobiltelefonens skærm, selvom appen ikke er åbnet, og mobiltelefonen er i låst skærmtilstand, og brugerne kan selv indstille tidspunktet for modtagelse af den pushede information. For eksempel vil det forudbestemte tidspunkt for opfølgning i klinikker blive præsenteret som "Du skal komme til lægen næste mandag den 25. juli 2023". "Push"-funktionen kan aktivere brugen af ​​app, øge brugernes viskositet og drive udnyttelsen af ​​andre funktionelle moduler.

   2.2 "Påmindelse"-funktionen bruges hovedsageligt til at minde patienterne om at tage medicin, uploade billeder af hudlæsioner, selvevaluering og planlagt opfølgning.

   2.3 "Upload"-funktionen er designet til at hjælpe patienter med at deltage i den systemiske behandling. De kan uploade deres billeder af hudlæsioner, beskrivelsen af ​​udviklingen af ​​AD eller spørgeskemaer.

   2.4 Funktionen "Evaluering" er udviklet til at give information til både patienter og medicinsk personale. Ved at uploade billeder af hudlæsioner og udfylde de forskellige spørgeskemaelementer, vil appen automatisk evaluere sværhedsgraden af ​​læsioner og beregne EASI-, POEM-, PP-NRS-, SCORAD- eller DLQI-resultaterne. Denne funktion kan hjælpe patienter med at vide mere om deres situation med sygdommen og deltage i selvevaluering og egenomsorg som anbefalet af T2T-strategien.

   2.4 Funktionen "Datastyring" er designet til, at medicinsk personale kan styre patienterne mere bekvemt og designe den medicinske forskning. De kan logge ind på app-platformens websted for at indsamle og eksportere data, udføre statistiske analyser og big data mining. Appen selv kan også lave simpel statistik og håndtering af data. For eksempel kunne data som EASI, POEM og PP-NRS score på tidspunkterne før behandling, 2 uger, 4 uger, 12 uger og 6 måneder efter behandling automatisk genereres i statistiske rapporter, der præsenteres i form af histogrammer eller kurver. Appen kan også forbedres yderligere og opdateres til den nye version gennem analyse af brugernes vaner, og funktionsmodulerne kunne optimeres med den høje brugsfrekvens og feedback fra både medicinsk personale og patienter.

3. Effektivitet og sikkerhed af AIADMS App til forbedring af de kliniske resultater hos AD-patienter: et randomiseret kontrolleret forsøg.

Dette forsøg er et enkelt centreret, prospektivt, randomiseret kontrolleret forsøg, der tester overlegenheden af ​​implementeringen af ​​T2T-strategi ved anvendelse af AIADMS-appen hos patienter med AD med hensyn til forbedring af kliniske resultater.

Dette ville være det første AI-assisterede værktøj til AD under processen med diagnose, styring og opfølgning. Det vil give solide beviser for anvendelsen af ​​AI i dermatologi på verdensplan.