Etablering og klinisk anvendelse af AI-baseret multimodalt diagnosesystem til ovarietumorer

Metoder/designundersøgelse Formål Det første formål med denne undersøgelse er at konstruere et offentligt multimodalt ovarietumordatasæt, der inkluderer ultralyd, MR-billeder og kliniske indikatordata til støtte for AI-drevne opgaver. Dette datasæt vil integrere forskellige typer medicinske data for at lette omfattende AI-analyse og modeltræning. Ved at anvende CNN-teknologi (convolutional neural network) søger undersøgelsen at opnå intelligent multiklasse-genkendelse af multimodale billeder. Dette involverer udtrækning og analyse af funktioner fra billeddata og integration af dem med multidimensionelle kliniske data på funktionsniveau med det formål at træne og validere en hjælpediagnostisk model, der er i stand til præcist at forudsige mindst de ti mest almindelige patologiske typer af ovarietumorer. Derudover vil undersøgelsen bruge databehandling, der beskytter privatlivets fred, og fødererede læringsmetoder til at udføre multicenter, prospektiv optimering og validering af modellen. Disse metoder vil sikre datasikkerhed og privatliv, samtidig med at de muliggør træning i samarbejdende modeller. Det ultimative mål er at udvikle et klinisk hjælpediagnostisk system, der kan forudsige de patologiske typer af de fleste ovarietumorer og implementeres i kliniske omgivelser. Denne omfattende tilgang har til formål at udnytte styrkerne ved AI-teknologi inden for medicinsk billedbehandling, der sikrer datasikkerhed, samtidig med at nøjagtigheden og pålideligheden af ​​ovarietumordiagnostik forbedres.

Studiemiljø Denne undersøgelse er udført i Beijing, Kina. Undersøgelsesemnerne er hentet fra Beijing Shijitan Hospital, Beijing Friendship Hospital og Beijing Obstetrics and Gynecology Hospital, som alle er tilknyttet Capital Medical University. Disse hospitaler giver en mangfoldig patientpopulation, hvilket understøtter generaliserbarheden af ​​undersøgelsesresultaterne.

Undersøgelsespersoner Undersøgelsespersonerne er patienter diagnosticeret med ovarietumorer, som har gennemgået kirurgisk behandling. De tilfælde, der bruges til at udvikle den prædiktive model, er hentet fra patienter, der blev indskrevet fortløbende mellem januar 2018 og januar 2023. Kliniske ansøgningsvalideringssager vil blive indsamlet prospektivt fra patienter mellem juni 2023 og juni 2025. Inklusionskriterierne for begge dele af undersøgelsen er som følger: (1) patienter diagnosticeret med ovarietumorer, som har gennemgået kirurgisk behandling; (2) patienter med fuldstændige billeddata (ultralyd eller MR) og tumormarkørresultater opnået inden for tre måneder før operationen. Derudover kræver anden del informeret samtykke fra deltagerne. Eksklusionskriterierne er som følger: (1) patienter med kirurgisk patologi, der ikke stammer fra æggestokken; (2) dobbelte sager; (3) patienter, der har modtaget kemoterapi eller strålebehandling; (4) tilbagevendende tilfælde; (5) billeddannelse af dårlig kvalitet af ovarielæsioner; og (6) ufuldstændige sagsoplysninger.

Etik Studieprotokollen er blevet gennemgået og godkendt af den etiske komité på Beijing Shijitan Hospital, tilknyttet Capital Medical University. Det etiske godkendelsesnummer er: [angiv nummer]. Undersøgelsen vil blive udført i overensstemmelse med principperne i Helsinki-erklæringen. Til modeludviklingsfasen har retrospektive sager fået dispensation fra informeret samtykke. Til den kliniske valideringsfase vil alle deltagere læse en informeret samtykkeformular, før undersøgelsen begynder, frivilligt acceptere at deltage og underskrive den informerede samtykkeformular.

Dataindsamling Efterforskerne vil indsamle billeddiagnostiske data (pelvic ultralyd, bækken MR) og kliniske data (generel information, sygehistorie, familiehistorie, fysisk undersøgelse, laboratorietest, patologirapporter, klinisk diagnose osv.) fra forsøgspersonerne. Dette vil hjælpe med at konstruere et multimodalt ovarietumordatasæt med klassificerings- og segmenteringsannotationer, hvilket giver AI-datasætstøtte til den efterfølgende udvikling af multimodale ovarietumorhjælpediagnostiske modeller. Efterhånden som forskningen skrider frem, sigter efterforskerne på at opnå fleksibel udvidelse og dyb mining af datasættet, etablere standardiserede protokoller for multimodale datasæt og muliggøre effektiv datadeling.

Billeddatabehandling, segmentering og klassificeringsannotering Dette projekt bruger OpenSlide-værktøjet til at behandle billeder, ændre størrelsen på dem for at sikre, at pixeldimensioner er multipla af 300. Billederne opdeles efterfølgende i 300×300 pixelsektioner og konverteres til PNG-format. Nøjagtig segmentering af læsioner er grundlæggende for præcis billedgenkendelse. Projektet involverer et team af gynækologer, samt eksperter fra School of Electronic and Information Engineering ved Beihang University, som anvender den professionelle annotationssoftware LabelMe til billedsegmentering og klassifikationsannotering baseret på patologiske resultater, hvorved der skabes en segmenteret og klassificeret database. For eksempel, i tilfælde af 2D-ultralydsbilleder, segmenteres læsionerne manuelt, med ovarietumorplaceringer markeret og konverteret til tilsvarende klassificeringsetiketter.

For yderligere at forbedre segmenteringsnøjagtigheden og -resultaterne konstruerer denne undersøgelse en ovarietumorbilledsegmenteringsnetværksarkitektur, der inkorporerer et multi-skala funktions fusionsmodul og multi-level tab funktion optimering. Den overordnede netværksarkitektur kombinerer superpixel-segmentering med dyb læring og udnytter de stærke egenskaber til ekstraktion af foldede neurale netværk (CNN) for at forbedre kantinformation og forbedre segmenteringsnøjagtigheden.

Konstruktion af et AI-baseret Ovarietumor-hjælpediagnosesystem, der anvender AI til billedgenkendelse. Til de multimodale inputbilleder (ultralyd og MR) udføres ekstraktion af visuelle funktioner. For at løse de visuelle opgaver med læsionsklassificering og segmentering er to algoritmemodeller konstrueret: en tæt residualstrukturmodel og en multi-level kantbevidst strukturmodel. Disse modeller muliggør intelligent genkendelse af patologiske typer i multimodale billeder

Prædiktiv model, der integrerer multidimensionelle strukturerede data. For det første bruges foldede neurale netværk til at generere forudsigelsesresultater på pixelniveau (segmenteringsresultater), og AI-algoritmer giver AI-forudsigelsesresultater (posteriore sandsynligheder). Efterfølgende fusioneres den posteriore sandsynlighedsvektor med strukturerede data (alder, hovedklagen, sygdomsvarighed, fysiske undersøgelsesfund, laboratorietests og andre kliniske indikatorer). Disse sammenkædes i en ny funktionsvektor, som derefter analyseres yderligere af en beslutningsmodel (såsom XGBoost) for at bestemme den patologiske kategori af ovarietumoren. Modellen trænes og valideres ved at bruge patologiske resultater som guldstandarden.

Hjælpediagnosesystem Det multimodale ovarietumorhjælpediagnosesystem er struktureret i flere hierarkiske niveauer. Systemet består af fire hovedniveauer, fra bund til top: 1）Underliggende modul: Dette modul er primært ansvarlig for at give dyb indlærings-inferensacceleration, hvilket sikrer de grundlæggende kapaciteter, der kræves til systemdrift. 2）Grundlæggende applikationsbibliotek (grundlag): Dette lag tilbyder vigtige biblioteker til behandling af medicinsk information og registrering af platformslog. 3） Deep Learning Framework (Deep Learning Inference Layer): Det fungerer som den intelligente kerne af systemet, giver de grundlæggende dybe læringsrammer, der er nødvendige for intelligent systeminferens. Dette inkluderer almindeligt anvendte neurale netværk inferens biblioteker, der understøtter præcis neurale netværk model inferens på tværs af forskellige platforme. 4）Applikationslag (opdelt i applikationslag og komponentlag): Dette lag tilbyder de nødvendige tjenester til platformsystemet. Den er designet til at være fleksibel og udvidelsesbar med uafhængigt funktionelle, løst koblede moduler. Lagene er relativt afkoblede, hvor hver især giver uafhængig funktionalitet. Platformsystemet er designet nedefra og op med en brugervenlig, eksternt indkapslet betjeningsgrænseflade, der tillader direkte brugerinteraktion med platformen.

Det multimodale ovarietumor hjælpediagnosesystem har flere nøglefunktioner. For det første kan den læse ultralyds- og MR-billeder samt lægejournaler i henhold til brugernes krav og konvertere formatet efter behov. Den forbehandler derefter billederne og lægejournalerne ved at fjerne irrelevant information, hvilket letter efterfølgende modelslutning. Læsionsgenkendelsesmodulet udfører både klassificering og segmentering, estimerer læsionssandsynligheder og identificerer potentielle læsionsområder. Endelig udfører dataefterbehandlingsmodulet beslutningsniveaufusion af klassificeringsresultater, annoterer automatisk læsionsområder og genererer hjælpediagnostiske resultater, der forudsiger patologiske typer ved at kombinere journaloplysningerne.

Multicenter, optimering af prospektivt hjælpediagnosesystem og klinisk applikationsvalidering Gennem samarbejde mellem gynækologiske onkologiske teams fra tre forskningscentre vil det multimodale ovarietumor hjælpediagnosesystem gennemgå multicenter, prospektiv klinisk anvendelse, med kirurgiske patologiresultater brugt som guldstandarden. Den diagnostiske ydeevne af det multimodale ovarietumor-hjælpediagnosesystem, både overordnet og på tværs af forskellige patologiske kategorier, vil blive evalueret i hoved- og undercentrene ved at sammenligne målinger såsom specificitet, sensitivitet, positiv prædiktiv værdi, negativ prædiktiv værdi og areal under ROC-kurve (AUC). Systemet vil løbende blive valideret og optimeret for at forbedre dets ydeevne. Konsistensen mellem præoperativ diagnose og postoperative patologiske resultater vil blive sammenlignet før og efter anvendelsen af ​​ovarietumor hjælpediagnosesystemet i de tre forskningscentre, for at evaluere den kliniske effektivitet af hjælpediagnosesystemet.

Multicenter hjælpediagnosesystem optimeringsparadigme baseret på horisontal fødereret læring Multicenter hjælpediagnosesystem optimeringsparadigme baseret på horisontal fødereret læring involverer styring og distribution af hjælpediagnosemodellen af ​​hovedcentret. Andre centre anvender inkrementelle indlæringsmekanismer ved at bruge deres egne data til at finjustere hjælpediagnosesystemet og levere opdaterede parametre til hovedcentret. Denne proces sikrer forbedret intelligent genkendelse af ovarietumorer, samtidig med at databeskyttelsen bevares på tværs af centre. I første omgang konstruerer hovedcentret en AI-baseret multimodal ovarietumor-forudsigelsesmodel. Denne model bliver derefter krypteret og distribueret til filialcentrene. Afdelingscentrene, efter at have nået en bestemt datapuljestørrelse og opfyldt annotationsstandarder, igangsætter modeloptimering. Til sidst, efter at have finjusteret modellerne, uploader hvert center de opdaterede parametre til hovedcentret. Hovedcentret evaluerer modellens ydeevne for at afgøre, om en modelversions-iteration er nødvendig. Hvis det er tilfældet, omfordeles den opdaterede model, hvilket opnår et lukket kredsløb af horisontal fødereret læring til multicentermodeloptimering.

Statistisk analyse Beregning af prøvestørrelse

1. Udviklingsfasen af ​​den multimodale ovarietumor-hjælpediagnosemodel Den nødvendige stikprøvestørrelse estimeres ved hjælp af EPV-metoden (Events per Variable), som er en erfaringsbaseret metode til at konstruere modeller. Hver variabel kræver typisk 10-20 positive hændelser; i denne undersøgelse satte efterforskerne EPV til 20. Efterforskerne forventer at inkludere 20 uafhængige variabler (og dummy-variabler) i den diagnostiske model, hvilket har brug for 20 * 20 = 400 maligne tilfælde. Foreløbige data indikerer, at andelen af ​​maligne (sandt positive) ovarietumorpatienter er ca. 30 %. Derfor er den samlede nødvendige stikprøvestørrelse 400 / 0,30 = 1334 tilfælde. I betragtning af en datatabsrate på 20 % er den endelige stikprøvestørrelse for træningssættet 1667 tilfælde. Træningssættet og valideringssættet vil følge et forhold på 4:1, hvilket resulterer i en stikprøvestørrelse på 418 tilfælde. Den samlede krævede stikprøvestørrelse er således 2084 sager, hvor hvert center bidrager med en lige stor andel.
2. Multicenter, prospektivt system klinisk applikationsvalidering og optimeringsfase Denne del af undersøgelsen evaluerer primært den kliniske applikationseffekt af hjælpediagnosesystemet ved at måle nøjagtighed. Derfor bruges formlen til beregning af prøvestørrelsen for diagnostiske tests.

Se=90 % (det diagnostiske systems følsomhed), Sp=90 % (det diagnostiske systems specificitet), Baseret på statistiske og kliniske ekspertudtalelser refererer errABS=5 % til den forventede absolutte fejl, α=0,05. Ifølge formlen til beregning af stikprøvestørrelsen kræver den sande positive gruppe, at der medtages 140 tilfælde. Foreløbige data indikerer, at andelen af ​​maligne (sandt positive) ovarietumorpatienter er ca. 30 %. Derfor er den samlede nødvendige stikprøvestørrelse 140 / 0,30 = 467 tilfælde. I betragtning af et tab på 20 % af opfølgningsprocenten er den endelige stikprøvestørrelse 584 tilfælde, hvor hvert center bidrager med en lige stor andel.

Datastyring Alle data vil blive registreret i en elektronisk case report form (eCRF) designet til undersøgelsen. Hvert undercenter vil etablere en uafhængig database, der administreres af udpeget personale. En standardiseret verifikationsproces for dataindtastning vil blive etableret, der sikrer, at data registreres nøjagtigt og rettidigt i nøje overensstemmelse med undersøgelsesprotokollen. Der vil blive udført regelmæssige evalueringer for at kontrollere nøjagtigheden og fuldstændigheden af ​​uploadede data. Dataansvarlige på hvert center vil verificere de indsamlede data i eCRF'erne mod kildedokumenter såsom lægejournaler og gennemgå dataindsamlingsprocessen. Personale fra hovedcentret vil udføre periodiske inspektioner på stedet på alle deltagende centre for at verificere ægtheden af ​​dataene. Undersøgelsen vil anvende databehandlingsteknologi til privatlivets fred for at sikre uafhængigheden og sikkerheden af ​​hvert centers data og levere tjenester til optimering og validering af multicentermodeller og samtidig sikre databeskyttelse.

Dataanalyse For normalt distribuerede kontinuerlige data vil sammenligninger mellem grupper blive udført ved hjælp af den uafhængige sample t-test, og intragruppe sammenligninger vil blive udført ved hjælp af den parrede t-test. For ikke-normalfordelte kontinuerlige data og ordinære data vil Mann-Whitney U-testen blive brugt til sammenligninger mellem grupper, og Wilcoxon signed-rank test vil blive brugt til sammenligninger mellem grupper. For uordnede kategoriske data vil chi-kvadrat-testen (χ²) eller Fishers nøjagtige test blive brugt til sammenligninger mellem grupper, og McNemar-testen vil blive brugt til sammenligninger mellem grupper. Arealet under ROC-kurven (AUC) vil blive testet statistisk ved hjælp af DeLong-test og sensitivitet og specificitet vil blive beregnet ved hjælp af Jeffreys-intervallet. I betragtning af sammenhængen mellem de samme emner, vil sammenligninger mellem grupper bruge metoden Generalized Estimation Equation (GEE) justeret for centereffekter. Analyse af andre indikatorer vil følge samme metode som baseline-analysen.