Klinische und genetische Analyse von ROP ((ROP))

Diese vom NIH finanzierte multizentrische Studie begann im Juli 2011 mit 8 Studienzentren, die von ihren jeweiligen IRBs genehmigt wurden. Rekrutierung und Daten wurden an den folgenden Standorten durchgeführt: OHSU, Columbia Universtiy, Cornell College, William Beaumont Hospital, Children's Hospital LA, University of Miami, University of Illinois Chicago, Cedars Sinai Medical Center und Asociacion para Evitar la Ceguera (APEC) in Mexiko Stadt. Für die kompetitive Verlängerung des Stipendiums, die am 06.01.20 beginnt, wurden die Rekrutierungsstellen auf 5 reduziert, darunter OHSU, William Beaumont, University of Illinois Chicago, University of Utah und Stanford University.

Diese Studie zielt darauf ab, einen quantitativen Rahmen für die ROP-Versorgung unter Verwendung künstlicher Intelligenz und Analytik zu entwickeln, um das klinische Krankheitsmanagement zu verbessern. Die Ermittler werden prospektiv die Leistung eines künstlichen Intelligenzsystems für die ROP-Diagnose und das Screening bewerten. Dazu gehören: (a) Rekrutierung eines Ziels von über 2000 Augenuntersuchungen, einschließlich Weitwinkel-Netzhautbildern von 375 Probanden in 5 Zentren, (b) Optimierung eines Algorithmus zur Erkennung der Bildqualität, den die Forscher kürzlich entwickelt haben, und (c) Analyse der Systemgenauigkeit für ROP-Diagnose (plus vs. prä-plus vs. normal) und Screening (unter Verwendung einer neuartigen quantitativen vaskulären Schweregradskala).

Die vorgeschlagene Arbeit wird Säuglinge untersuchen, die routinemäßige ophthalmoskopische Untersuchungen erhalten und bei denen bei jeder Untersuchung Netzhautbilder gemäß dem Versorgungsstandard der jeweiligen Einrichtung aufgenommen werden. Mindestens eine Person an jedem Standort ist darin geschult, Weitwinkel-Netzhautbilder mit einer handelsüblichen Kamera (RetCam; Natus, Pleasanton, CA) aufzunehmen. Dieses Gerät ist von der FDA für Frühgeborene zugelassen und wird seit 20 Jahren weltweit ohne bekannte Komplikationen eingesetzt.

Alle teilnehmenden Säuglinge werden von geschultem Studienpersonal für bis zu 3 Augenuntersuchungen oder mehr, wenn klinisch indiziert und machbar, einer Netzhautfotografie unterzogen. „Outborn Infants“, die zur spezialisierten ROP-Versorgung in das Studienzentrum verlegt wurden, wird mindestens ein Bildsatz erstellt, wenn dies klinisch indiziert und machbar ist. Diese codierten Netzhautbilder werden von entfernten Experten gelesen und interpretiert, die das sichere webbasierte System verwenden, das vor 9 Jahren an der OHSU für diese Studie entwickelt wurde. Die nicht identifizierten Bilder werden für mögliche zukünftige Forschungsstudien oder für andere Bildungszwecke auf unbestimmte Zeit in einem vom OHSU IRB genehmigten Archiv gespeichert.

Bei den meisten Säuglingen, die in den ersten 9 Jahren dieser Studie zwischen Juli 2011 und Mai 2020 rekrutiert wurden, wurde DNA aus Blut- oder Speichelproben entnommen. Die codierten genetischen Proben werden in einem vom OHSU IRB genehmigten Aufbewahrungsort aufbewahrt und von externen Mitarbeitern für das spezifische Ziel 3 dieser Studie analysiert. Beachten Sie, dass diese aktuelle Studie keine neue Entnahme von Blut- oder Speichelproben beinhaltet.

In den letzten Jahren hat unser Team erfolgreich wettbewerbsfähige Bildbewertungsmethoden entwickelt, um den ROP-Status abzuleiten, indem (i) technische Bildmerkmale verwendet werden, die auf der Übersetzung von beschreibenden und visuellen Beschreibungen im Zusammenhang mit der Expertenbewertung basieren. und (ii) Deep-Learned-Features basierend auf End-to-End-Training von neuronalen Netzwerken für die Bildanalyse. Um die Erklärbarkeit des Modells zu verbessern, müssen die Modelle nicht nur Klassifikations-(Diagnose-)Etiketten oder Schweregrade liefern, sondern auch ergänzende Informationen darüber, wie ein Modell seine Entscheidungen trifft und was an einem bestimmten Bild die Entscheidung beeinflusst. Zu diesem Zweck ist es für ein Modell hilfreich, (i) seine Trainingsdaten zu visualisieren; und (ii) veranschaulichen, auf welche Merkmale des Eingangsbildes sich seine Entscheidung stark stützte. Die Visualisierung kann eine übergreifende Demonstration dessen liefern, wie ein Modell seine Entscheidungen über einen Datensatz mit bekannten klinischen und demografischen Merkmalen hinweg trifft, was zur allgemeinen Interpretierbarkeit der Modelllogik beiträgt. Die Veranschaulichung ist unerlässlich, um Vertrauen zu gewinnen und die Validierung zu erleichtern, wenn sich Ärzte auf das Modell verlassen, um einen bestimmten Fall für verschiedene Zwecke zu bewerten, einschließlich Schulung oder behördlicher Genehmigung.

Beim Training des KI-Systems in früheren Arbeiten schlossen die Ermittler 5 % der Bilder aus, die von der Mehrheit der Bewerter als „nicht akzeptable Qualität“ bewertet wurden. Für den Einsatz in der realen Welt wird es wichtig sein, die Abbildungsleistung mit der diagnostischen Leistung in Einklang zu bringen. Die Forscher schlagen vor, unseren bestehenden Datensatz auszuwerten, um den optimalen Betriebspunkt im CNN-Qualitätsalgorithmus zu bestimmen, der die Bildgebung mit der diagnostischen Leistung des i-ROP DL-Klassifikators in Einklang bringt. Die Prüfärzte werden diese Studien fortsetzen, um ihre Auswirkungen auf die Verbesserung der Bildqualität und der diagnostischen Leistung systematisch zu untersuchen und die Strenge und Reproduzierbarkeit des Studiendesigns zu maximieren. Dieser Betriebspunkt wird dann „gesperrt“ und das geschlossene System wird wie folgt verwendet.

Prospektive Bewertung des i-ROP DL-Klassifikators: Die Forscher schlagen vor, das gewichtete Kappa zwischen der RSD und dem i-ROP DL-System zusammen mit der Empfindlichkeit, Spezifität und Abbildungsfähigkeit auf der Grundlage der oben identifizierten optimalen Betriebspunkte zu berechnen.

Prospektive Bewertung des vaskulären Schweregrad-Scores: In einer Querschnittsanalyse testen die Prüfärzte die Hypothese, dass der vom i-ROP DL-Klassifikator abgeleitete ROP-Gefäßschwere-Score eine hohe Sensitivität sowohl für die Erkennung von Plus-Erkrankungen als auch für die Identifizierung von Behandlungen aufweisen kann. die eine Erkrankung in einer realen ROP-Screening-Population erfordern.