Forskning i dybdelæringsbaseret intelligent diagnose og behandling

Dette studie er et billedbaseret klinisk kunstig intelligens-studie, der sigter mod at udvikle, træne og validere dybe læringsmodeller til kraniomaxillofacial multimodal billedanalyse og intelligent klinisk beslutningsstøtte. Cirka 2.000 deltagere er planlagt optaget. Alle deltagere vil have kraniomaxillofaciale billeddata og relaterede kliniske oplysninger indsamlet under rutinemæssig dental, ortodontisk, oral og maxillofacial eller relateret klinisk behandling. Data om demografi, klinisk diagnose, skeletale eller dentale klassifikationer, sefalometriske målinger, behandlingsrelaterede optegnelser samt tilgængelige ekspertvurderinger kan der også indsamles. Dette studie vil ikke indsamle nye data ud over det, der allerede er indsamlet i forbindelse med rutinebehandling. Vær opmærksom på, at visse almene kliniske rapporter, scannede papirjournaler og billeddata (f.eks. røntgen- eller CBCT-data) kan stamme fra kliniske data registreret for mange år siden i forbindelse med behandling, som kan betegnes som historiske kliniske data.

Billeddata, der anvendes i dette studie, kan omfatte todimensionelle ansigtsfotografier, cone-beam computertomografibilleder og tredimensionelle ansigtsscanninger. Relaterede kliniske data kan omfatte demografiske oplysninger, klinisk diagnose, skelet- eller tandklassifikation, kefalometriske målinger, behandlingsrelaterede data og tilgængelige ekspertvurderinger. Studiet vil fokusere på at udvikle kunstig intelligens-modeller til kraniomaxillofacial billedklassifikation, detektion af anatomiske landmærker, regional segmentering, genkendelse af abnormiteter og behandlingsrelateret beslutningsstøtte.

Inden modeludvikling vil alle billeddata gennemgå standardiseret forbehandling. Forbehandlingsprocedurer kan omfatte billedafidentifikation, kvalitetsvurdering, formatkonvertering, billedorienteringskorrektion, beskæring, opløsningsstandardisering, gråtone- eller intensitetsnormalisering, rumlig registrering og region-af-interesse-ekstraktion. For todimensionelle billeder vil standardiserede ansigts- eller radiografiske regioner blive defineret i overensstemmelse med den specifikke billedopgave. For cone-beam computertomografi og tredimensionelle ansigtsscandata kan forbehandling omfatte volumenerkonstruktion, overfladekonstruktion, mesh-behandling, punkt-skybehandling eller ekstraktion af anatomiske strukturer.

Referenceetter vil blive afledt fra kliniske journaler, klinikerdiagnose og ekspert manuel annotering. For segmenteringsopgaver vil anatomiske regioner eller strukturer blive manuelt annoteret af uddannede klinikere eller kalibrerede forskere. For landmærkedetekteringsopgaver vil foruddefinerede anatomiske landmærker blive annoteret i henhold til standardiserede kraniomaxillofaciale måleprotokoller. For klassifikationsopgaver vil skeletalt mønster, tandrelation, kraniomaxillofacial morfologikategori eller andre klinisk meningsfulde klassifikationsetiketter blive bestemt baseret på ekspertvurdering. Interobservatør- og intraobservatørens konsistens vil også blive evalueret for at sikre pålideligheden af manuelle annotationer og kliniske etiketter.

Datasættet med cirka 2.000 deltagere vil blive opdelt i trænings-, validerings- og testdatasæt. 70 procent af dataene vil blive brugt til modeltræning, 15 procent til modelvalidering og 15 procent til uafhængig test.

Dybe læringsmodeller vil omfatte konvolutionelle neurale netværk, opmærksomhedsbaserede modeller og multitask-læringsmodeller. Modeludvikling vil omfatte hyperparameteroptimering, regularisering, dataforøgelse og præstationsmonitorering baseret på valideringsdatasættet.

For billedsegmenteringsopgaver vil modelpræstationen blive evalueret ved hjælp af segmenteringsnøjagtighedsmetrikker, herunder Dice-lighedskoefficienten, Intersection over Union, pixelvis nøjagtighed, sensitivitet, specificitet og, hvor relevant, afstandsmetrikker såsom Hausdorff-afstand eller gennemsnitlig overfladeafstand. For billedklassifikations- og diagnostiske genkendelsesopgaver vil modelpræstationen blive evalueret ved hjælp af nøjagtighed, præcision, recall, F1-score, sensitivitet, specificitet, positiv prædiktiv værdi, negativ prædiktiv værdi, receiver operating karakteristisk kurveanalyse og area under receiver operating karakteristisk kurve. Konfusionsmatricer vil blive brugt til at beskrive fordelingen af korrekte og forkerte klassifikationer på tværs af diagnostiske kategorier. For multicluster klassifikationsopgaver kan makrogennemsnittede og vægtede gennemsnitsmetrikker rapporteres. For anatomisk landmærkedetekteringsopgaver vil modelpræstationen blive evalueret ved hjælp af gennemsnitlig radial fejl, gennemsnitlig absolut fejl, succesrate inden for klinisk meningsfulde afstandstærskler og aftale med ekspertanmærkninger.

For behandlingsrelaterede beslutningsstøtteopgaver vil model output blive sammenlignet med ekspert klinisk dømmekraft. Evalueringsmetrikker vil omfatte nøjagtighed, præcision, recall, F1-score, AUC og beslutningskurveanalyse.

Personale involveret i billedanmærkning og databehandling vil modtage relevant træning inden studiets start. Adgang til identificerbare personoplysninger vil være begrænset til autoriseret forskningspersonale. Analysedatasættene, der bruges til modeludvikling, vil blive afidentificeret eller pseudonymiseret, når det er muligt.

Den planlagte optagelse af cirka 2.000 deltagere forventes at understøtte undergruppeanalyser og robusthedstestning, når fordelingen af billedmodaliteter og kliniske kategorier er tilstrækkelig. Manglende, utilgængelige, ikke-fortolkbare eller inkonsistente data vil blive registreret.

Den kunstige intelligens-model udviklet i dette studie er beregnet til at assistere sundhedsudbydere i kraniomaxillofacial billedanalyse og klinisk beslutningsstøtte. Modellen vil ikke erstatte professionel klinisk diagnose eller individualiseret behandlingsplanlægning fra kvalificerede klinikere. Enhver fremtidig klinisk anvendelse af denne model vil kræve yderligere validering, klinisk gennemgang og passende institutionel eller regulatorisk godkendelse.