Retrospektiv case-kontrolundersøgelse til udvikling af et kunstig intelligens (AI) værktøj til læsionsdetektion ved hjælp af magnetisk resonansbilleddannelse (MRI) og kliniske variabler til tidlig diagnose af aksial spondyloarthritis (axSpA) (InnovaDetect)

BAGGRUND

Spondyloarthritis (SpA) er en gruppe af kroniske inflammatoriske sygdomme af autoimmun natur, der deler fælles kliniske og genetiske træk, herunder en forbindelse med HLA-B27-antigen. De er blandt de mest almindelige gigtsygdomme med en prævalens på 0,01-2,5 %. Alle disse tilstande får patienterne til at gå videre med en kronisk invaliderende sygdom.

Patienter med SpA kan klassificeres baseret på deres kliniske præsentation i enten overvejende aksial SpA (axSpA) eller overvejende perifer SpA. Axial SpA er karakteriseret ved primær involvering af sacroiliacaleddene (SIJ'er) og/eller rygsøjlen, hvilket fører til betydelig smerte og invaliditet. Indtil for nylig var diagnosen axSpA afhængig af påvisning af strukturelle ændringer, der fremkaldte sacroiliitis i SIJ'erne ved hjælp af almindelig røntgen.

Introduktionen af ​​magnetisk resonansbilleddannelse (MRI) til evaluering af SIJ'erne har væsentligt fremmet anerkendelsen af ​​axSpA. MR kan detektere tidlige inflammatoriske processer selv hos patienter, der endnu ikke har strukturelle læsioner. Desuden har MR vist overlegenhed i forhold til radiografi ved påvisning af strukturelle ændringer i SIJ'erne. Definitionen af ​​en "positiv MRI" i SpA forbliver dog kontroversiel, da både sensitivitet og specificitet har deres begrænsninger. Tidlig diagnosticering af SpA er blevet stadig vigtigere, da behandlinger nu er tilgængelige, og MR er ved at fremstå som det foretrukne valg til tidlig diagnose. En række randomiserede kontrollerede forsøg med antitumornekrosefaktormidler ved ankyloserende spondylitis har vist regression af inflammatoriske læsioner i rygsøjlen ved MR. Desuden er MRI's rolle i den tidlige diagnose af SpA blevet bedre etableret, og billeddiagnostiske træk ved aktiv sacroiliitis ved MR er blevet defineret til axSpA-diagnose.

RATIONALE FOR UNDERSØGELSEN

På trods af de nuværende fremskridt inden for medicinsk billeddannelse og igangværende bestræbelser på at forbedre klassificeringskriterierne for axSpA, forbliver en høj andel af axSpA-patienter underdiagnosticerede, hvilket fører til forsinkelser i diagnosen, der kan resultere i en dårlig prognose. Mængden af ​​ustrukturerede data, der kommer fra medicinsk billedbehandling, bidrager til diagnostiske forsinkelser. Integrationen af ​​kunstig intelligens og maskinlæringsteknologier i medicin til behandling af store datasæt har ført til hurtigere og mere præcise analyser, identifikation af evidenshuller i den virkelige verden og den agile generation af evidens til at imødekomme sundhedsudbyderes og sundhedssystemers behov.

Denne undersøgelse har til formål at udvikle et AI-diagnoseværktøj, der kombinerer kvantitative MR-data med klinisk information for at hjælpe med den tidlige diagnose af axSpA.

MÅL

Primært mål: At skabe et AI-værktøj, der muliggør tidlig diagnose af axSpA og læsionsdetektion baseret på MR.

Sekundært mål: Klinisk validering af AI-modulet.

Udforskende mål:

• Automatiseret karakterisering af læsioner (ødem, erosion, fedtmetaplasi og ankylosing) baseret på tekstur kvantificering og radiomik og dybe træk analyse.
• Bestemmelse af normative værdier for teksturbilleddannelsesbiomarkør på SIJ'erne.

EKSEMPEL BESKRIVELSE

Datasættet vil bestå af 900 MRI'er, indsamlet retrospektivt. MR-undersøgelser vil blive hentet fra patienter med aktiv axSpA og fra dem med inaktiv eller ingen axSpA (kontrolgruppe). Kontrol-til-sag-forholdet vil blive sat til 40/60, hvilket gør det muligt for algoritmen at lære af begge delmængder uden at favorisere den ene gruppe frem for den anden. Da AI lettere kan karakterisere normalitet end patologi, kan andelen af ​​non-axSpA og normale MR'er være lavere (ca. 40%) sammenlignet med de 60%, der er allokeret til axSpA MR'er. Blandt den aktive axSpA-gruppe bør fordelingen af ​​MRI'er på tværs af klassifikationskategorier (ødem, ankylosering, erosion og fedtmetaplasi) være så afbalanceret som muligt, ideelt med 25 % tildelt hver kategori. Hver MR-scanning kommer ikke nødvendigvis fra en anden patient, da de kan repræsentere forskellige tidspunkter for det samme individ.

ANALYSEPLAN

1. Billedkvalitetskontrol.

   Alle billeder modtaget fra websteder vil blive kontrolleret af billedteknikere for at garantere homogeniteten af ​​dataene

2. Centraliseret billedfortolkning.

   En centraliseret radiologisk gennemgang af MR-billederne vil blive udført af senior MSK-ekspertradiologer. Hvert tilfælde vil blive vurderet af to radiologer. Hvis der er uenighed mellem de to, vil en tredje radiolog gennemgå sagen.

   Radiologerne vil klassificere MR'erne i undersøgelsens forskellige klasser og kohorter ud fra ASAS-kriterierne for at definere aktiv sacroiliitis på MR til klassificering af aksial spondyloarthritis. Alle radiologer involveret i projektet vil modtage træning i at opdage læsioner i henhold til ASAS-kriterierne, og denne træning vil blive dokumenteret og opbevaret i undersøgelsens depot.

3. Anmærkningsproces.

   Billedteknikerne vil afgrænse de læsioner, der er opdaget af MSK-ekspertradiologerne for at generere et 3D-volumen. Dette vil derefter blive gennemgået af MSK-eksperten radiolog.

4. Imaging Biomarkers Ekstraktion.

   For at opnå yderligere information om de mærkede læsioner vil der blive udført en teksturanalyse for at kvantificere flere træk relateret til vævets heterogenitet, der kan betragtes som en indikator for den patologiske proces. Det radiomiske panel vil være baseret på følgende funktioner:

   • Strukturelle eller formtræk: Beskrivende for billedets geometriske egenskaber. Eksempler på disse funktioner er volumen, maksimal ortogonal diameter, maksimal overfladeareal, kompakthed, fraktal dimension eller sfæriskhed af en læsion.

   • Statistiske karakteristika er dem, der udledes af statistiske sammenhænge. De kan være på skift:

     • Første orden eller distribution: De giver information om frekvensen af ​​individuelle voxelværdier uden at tage hensyn til deres rumlige forhold. Denne fordeling præsenteres i form af histogrammer, som rapporterer middelværdi, median, maksimum og minimum i intensiteterne af voxelerne, men også om asymmetri, kurtosis, ensartethed eller entropi af fordelingen.
     • Anden orden eller tekstur: De afspejler forholdet mellem nabovoxler, hvilket gør det muligt at opnå et rumligt arrangement af deres intensiteter, hvilket giver en idé om arkitekturen og heterogeniteten af ​​det undersøgte væv. Disse sammenhænge opnås ved hjælp af statistiske analyser, såsom cooccurrence-matricer, som måler sandsynligheden for, at to nabovoxler har samme signalintensitet.
     • Højere orden: Dette er kombinationer af funktioner opnået ved kompleks statistisk analyse, såsom fraktal analyse, på billeder, hvorpå filtre eller matematiske transformationer er blevet anvendt for at maksimere eller minimere mønstre, fjerne støj eller fremhæve visse detaljer.
   • Dybe funktioner: Disse er egenskaber opnået ved at analysere billeder med konvolutionelle neurale netværk (CNN) eller andre deep learning algoritmer. Disse algoritmer er trænet til at være i stand til, i et billede, automatisk at bestemme og vælge disse funktioner eller sæt af klassificeringsfunktioner uden behov for menneskelig indgriben.
5. AI-moduludvikling.

Ved at bruge de indsamlede MRI'er sammen med de billeddannende biomarkører og anden tilgængelig klinisk information, vil dataforskerne skabe en AI-baseret model, der vil give en sandsynlighedsscore på axSpA for hvert individ.

For at oprette AI-modulet vil databasen blive opdelt i tre ikke-balancerede deldatasæt (træning, validering og test). Det større datasæt af billeder vil blive brugt til træning af modulet. Efter træningsfasen vil valideringsdatabasen blive brugt til at kontrollere, om klassificeringen er veludført, eller om modellen skal trænes igen.

Træning: Sæt af cases brugt til at passe til modellen under træningsprocessen. Det vil være de sager, modellen vil bruge til at tune sine vægte, altså de sager, som modellen vil bruge til at "lære".

Validering: Sæt af cases, der bruges til at evaluere modellen under træningsprocessen, bruges derfor ikke til at justere modelvægtene. Dette datasæt bruges til tre hovedformål:

• Tuning af hyperparametre.
• Overfitting-detektion: Under træningsprocessen, efter hver træningsiteration (epoke), evalueres modellen over både trænings- og valideringsdatasættene.
• Udvælgelse af den "bedste" model under træningsprocessen, det betyder, at vægtene fra træningsiterationen, hvor de bedste valideringsmetrikker er opnået, gemmes.

Test: Et separat sæt, der ikke bruges til træning eller validering, vil blive brugt til den endelige modelevaluering.

I denne undersøgelse vil der blive indhentet MR-undersøgelser fra forskellige scannere og institutioner. Derfor kan optagelsesprotokollerne og rekonstruktionsteknikkerne variere mellem scannere. For at løse dette vil der blive anvendt forbehandlingsteknikker til at standardisere billederne på tværs af forskellige scannere.