Automatiseret gigtdetektion ved hjælp af kunstig intelligens på smartphonefotografier (AISynovitis)

I løbet af de sidste 4 år har vi haft som mål at revolutionere påvisningen af ​​gigt gennem integration af avanceret kunstig intelligens. Dette projekt har til formål at opdage gigt baseret på smartphone-fotografier af ledområder, der gør den skalerbar og tilgængelig i samfundet. Vi udviklede først en overbevisende proof-of-concept pipeline og modeller med 100 patienter. (publiceret i Frontiers in Medicine, nov 2023, hvor vi demonstrerede, at denne teknologi fungerer med rimelig nøjagtighed i laboratoriet, dvs. teknologiberedskabsniveauet ligger i øjeblikket på 3-4). Vi fulgte med et nyere papir (indsendt til offentliggørelse, tilgængeligt på preprint-serveren MedRxiv), der trænede to forskellige CNN'er, en screening CNN på ubeskårede hænder, der adskiller patienter fra kontroller efterfulgt af fælles specifikke detektioner.

Systemet involverer understøttende infrastruktur, der vil muliggøre effektiv påvisning af gigt. Dette omfatter

1. Indsamling af fotos på en standardiseret måde ved hjælp af specialdesignede kasser
2. Brug og test af en browserpipeline
3. CNN-modellerne vil blive trænet på datasættet af fotografier taget i dette, og resultaterne vil blive udsendt til læger i samfundet. Dette sikrer en læge i løkken, der senere kan gribe ind over for resultaterne for yderligere bekræftende tests eller behandling.
4. Forståelse af viden, holdning hos patienter og læger til AI i kliniske beslutningstagningsalgoritmer

Dette er en prospektiv, ikke-interventionel undersøgelse, og dette projekt involverer kun en efterforsker, der tager et smartphone-billede af nogle fælles områder, der holdes i standardiserede positioner. Dette indebærer ingen risiko for patienten.