Etablierung und klinische Anwendung eines KI-basierten multimodalen Diagnosesystems für Eierstocktumoren

Methoden/Design Studienziel Das erste Ziel dieser Studie besteht darin, einen multimodalen öffentlichen Datensatz zu Eierstocktumoren zu erstellen, der Ultraschall, MRT-Bilder und klinische Indikatordaten zur Unterstützung von KI-gesteuerten Aufgaben umfasst. Dieser Datensatz wird verschiedene Arten medizinischer Daten integrieren, um eine umfassende KI-Analyse und Modellschulung zu ermöglichen. Durch den Einsatz der Convolutional Neural Network (CNN)-Technologie soll in der Studie eine intelligente Mehrklassenerkennung multimodaler Bilder erreicht werden. Dazu gehört das Extrahieren und Analysieren von Merkmalen aus Bilddaten und deren Integration mit mehrdimensionalen klinischen Daten auf Merkmalsebene mit dem Ziel, ein diagnostisches Hilfsmodell zu trainieren und zu validieren, das in der Lage ist, mindestens die zehn häufigsten pathologischen Arten von Eierstocktumoren genau vorherzusagen. Darüber hinaus wird die Studie datenschutzschonende Berechnungen und föderierte Lernmethoden nutzen, um eine multizentrische, prospektive Optimierung und Validierung des Modells durchzuführen. Diese Methoden gewährleisten Datensicherheit und Datenschutz und ermöglichen gleichzeitig ein kollaboratives Modelltraining. Das ultimative Ziel besteht darin, ein klinisches Hilfsdiagnosesystem zu entwickeln, das die pathologischen Typen der meisten Eierstocktumoren vorhersagen und in klinischen Umgebungen implementieren kann. Dieser umfassende Ansatz zielt darauf ab, die Stärken der KI-Technologie in der medizinischen Bildgebung zu nutzen, die Datensicherheit zu gewährleisten und gleichzeitig die Genauigkeit und Zuverlässigkeit der Diagnose von Eierstocktumoren zu verbessern.

Studiensetting Diese Studie wird in Peking, China, durchgeführt. Die Studienteilnehmer stammen aus dem Beijing Shijitan Hospital, dem Beijing Friendship Hospital und dem Beijing Obstetrics and Gynecology Hospital, die alle der Capital Medical University angeschlossen sind. Diese Krankenhäuser verfügen über eine vielfältige Patientenpopulation, was die Generalisierbarkeit der Studienergebnisse unterstützt.

Studienteilnehmer Bei den Studienteilnehmern handelt es sich um Patientinnen mit diagnostiziertem Eierstocktumor, die sich einer chirurgischen Behandlung unterzogen haben. Die für die Entwicklung des Vorhersagemodells verwendeten Fälle stammen von Patienten, die zwischen Januar 2018 und Januar 2023 nacheinander aufgenommen wurden. Klinische Anwendungsvalidierungsfälle werden prospektiv zwischen Juni 2023 und Juni 2025 von Patienten gesammelt. Die Einschlusskriterien für beide Teile der Studie lauten wie folgt: (1) Patienten mit diagnostiziertem Eierstocktumor, die sich einer chirurgischen Behandlung unterzogen haben; (2) Patienten mit vollständigen Bildgebungsdaten (Ultraschall oder MRT) und Tumormarkerergebnissen, die innerhalb von drei Monaten vor der Operation erhoben wurden. Darüber hinaus erfordert der zweite Teil eine informierte Einwilligung der Teilnehmer. Die Ausschlusskriterien lauten wie folgt: (1) Patienten mit chirurgischen Pathologien, die nicht vom Eierstock ausgehen; (2) Doppelfälle; (3) Patienten, die eine Chemotherapie oder Strahlentherapie erhalten haben; (4) wiederkehrende Fälle; (5) minderwertige Bildgebung von Eierstockläsionen; und (6) unvollständige Fallinformationen.

Ethik Das Studienprotokoll wurde von der Ethikkommission des Beijing Shijitan Hospital, das der Capital Medical University angegliedert ist, überprüft und genehmigt. Die Ethik-Genehmigungsnummer lautet: [Nummer angeben]. Die Studie wird im Einklang mit den Grundsätzen der Deklaration von Helsinki durchgeführt. Für die Modellentwicklungsphase wurde retrospektiven Fällen ein Verzicht auf die Einwilligung nach Aufklärung gewährt. Für die klinische Validierungsphase lesen alle Teilnehmer vor Beginn der Studie eine Einverständniserklärung, stimmen freiwillig der Teilnahme zu und unterschreiben die Einverständniserklärung.

Datenerfassung Die Prüfärzte sammeln Bilddaten (Beckenultraschall, Becken-MRT) und klinische Daten (allgemeine Informationen, Krankengeschichte, Familiengeschichte, körperliche Untersuchung, Labortests, Pathologieberichte, klinische Diagnose usw.) von den Studienteilnehmern. Dies wird dazu beitragen, einen multimodalen Ovarialtumor-Datensatz mit Klassifizierungs- und Segmentierungsanmerkungen zu erstellen und KI-Datensatzunterstützung für die anschließende Entwicklung multimodaler Ovarialtumor-Hilfsdiagnosemodelle bereitzustellen. Im weiteren Verlauf der Forschung streben die Forscher eine flexible Erweiterung und Deep Mining des Datensatzes an, etablieren standardisierte Protokolle für multimodale Datensätze und ermöglichen einen effektiven Datenaustausch.

Bilddatenverarbeitung, Segmentierung und Klassifizierungsanmerkung Dieses Projekt verwendet das OpenSlide-Tool zur Verarbeitung von Bildern und zur Größenänderung, um sicherzustellen, dass die Pixelabmessungen ein Vielfaches von 300 sind. Anschließend werden die Bilder in 300×300 Pixel große Abschnitte aufgeteilt und in das PNG-Format konvertiert. Eine genaue Segmentierung von Läsionen ist für eine präzise Bilderkennung von grundlegender Bedeutung. An dem Projekt sind ein Team aus Gynäkologen sowie Experten der Fakultät für Elektro- und Informationstechnik der Beihang-Universität beteiligt, die die professionelle Annotationssoftware LabelMe für die Bildsegmentierung und Klassifizierungsannotation auf der Grundlage pathologischer Ergebnisse verwenden und so eine segmentierte und klassifizierte Datenbank erstellen. Beispielsweise werden bei 2D-Ultraschallbildern die Läsionen manuell segmentiert, wobei die Tumorstellen der Eierstöcke markiert und in entsprechende Klassifizierungsbezeichnungen umgewandelt werden.

Um die Genauigkeit und Ergebnisse der Segmentierung weiter zu verbessern, erstellt diese Studie eine Netzwerkarchitektur zur Bildsegmentierung von Eierstocktumoren, die ein Multiskalen-Feature-Fusion-Modul und eine mehrstufige Verlustfunktionsoptimierung umfasst. Die gesamte Netzwerkarchitektur kombiniert Superpixel-Segmentierung mit Deep Learning und nutzt die leistungsstarken Funktionen zur Merkmalsextraktion von Convolutional Neural Networks (CNN), um Kanteninformationen zu verbessern und die Segmentierungsgenauigkeit zu verbessern.

Aufbau eines KI-basierten Hilfsdiagnosesystems für Eierstocktumoren unter Verwendung von KI zur Bilderkennung. Für die eingegebenen multimodalen Bilder (Ultraschall und MRT) wird eine visuelle Merkmalsextraktion durchgeführt. Um die visuellen Aufgaben der Läsionsklassifizierung und -segmentierung zu bewältigen, werden zwei Algorithmusmodelle konstruiert: ein dichtes Reststrukturmodell und ein mehrstufiges kantenbewusstes Strukturmodell. Diese Modelle ermöglichen eine intelligente Erkennung pathologischer Typen in multimodalen Bildern

Vorhersagemodell, das mehrdimensionale strukturierte Daten integriert. Erstens werden Faltungs-Neuronale Netze verwendet, um Vorhersageergebnisse auf Pixelebene (Segmentierungsergebnisse) zu generieren, und KI-Algorithmen liefern KI-Vorhersageergebnisse (posteriore Wahrscheinlichkeiten). Anschließend wird der hintere Wahrscheinlichkeitsvektor mit strukturierten Daten (Alter, Hauptbeschwerde, Krankheitsdauer, körperliche Untersuchungsbefunde, Labortests und andere klinische Indikatoren) merkmalsfusioniert. Diese werden zu einem neuen Merkmalsvektor verkettet, der dann von einem Entscheidungsmodell (z. B. XGBoost) weiter analysiert wird, um die pathologische Kategorie des Eierstocktumors zu bestimmen. Das Modell wird anhand pathologischer Ergebnisse als Goldstandard trainiert und validiert.

Hilfsdiagnosesystem Das multimodale Hilfsdiagnosesystem für Eierstocktumoren ist in mehrere hierarchische Ebenen gegliedert. Das System besteht aus vier Hauptebenen, von unten nach oben: 1）Basismodul: Dieses Modul ist in erster Linie für die Beschleunigung von Deep-Learning-Inferenzen verantwortlich und stellt die grundlegenden Fähigkeiten sicher, die für den Systembetrieb erforderlich sind. 2) Grundlegende Anwendungsbibliothek (Foundation Layer): Diese Schicht bietet wichtige Bibliotheken für die Verarbeitung medizinischer Informationen und die Aufzeichnung von Plattformprotokollen. 3）Deep-Learning-Framework (Deep-Learning-Inferenzschicht): Es dient als intelligenter Kern des Systems und stellt die grundlegenden Deep-Learning-Frameworks bereit, die für intelligente Systeminferenzen erforderlich sind. Dazu gehören häufig verwendete Inferenzbibliotheken für neuronale Netzwerke, die eine präzise Inferenz von neuronalen Netzwerkmodellen über verschiedene Plattformen hinweg unterstützen. 4）Anwendungsschicht (unterteilt in Anwendungsschicht und Komponentenschicht): Diese Schicht bietet die notwendigen Dienste für das Plattformsystem. Es ist flexibel und erweiterbar konzipiert und verfügt über unabhängig funktionale, lose gekoppelte Module. Die Schichten sind relativ entkoppelt und bieten jeweils unabhängige Funktionen. Das Plattformsystem ist von Grund auf konzipiert und verfügt über eine benutzerfreundliche, extern gekapselte Bedienoberfläche, die eine direkte Benutzerinteraktion mit der Plattform ermöglicht.

Das multimodale Ovarialtumor-Hilfsdiagnosesystem hat mehrere Schlüsselfunktionen. Erstens kann es je nach Benutzeranforderungen Ultraschall- und MRT-Bilder sowie Krankenakten lesen und das Format nach Bedarf konvertieren. Anschließend werden die Bilder und Krankenakten vorverarbeitet, indem irrelevante Informationen entfernt werden, was die anschließende Modellableitung erleichtert. Das Läsionserkennungsmodul führt sowohl die Klassifizierung als auch die Segmentierung durch, schätzt die Läsionswahrscheinlichkeiten und identifiziert potenzielle Läsionsbereiche. Schließlich führt das Datennachbearbeitungsmodul eine Fusion der Klassifizierungsergebnisse auf Entscheidungsebene durch, kommentiert automatisch Läsionsbereiche und generiert durch die Kombination der Informationen aus der Krankenakte zusätzliche Diagnoseergebnisse, die pathologische Typen vorhersagen.

Optimierung des multizentrischen, prospektiven Hilfsdiagnosesystems und klinische Anwendungsvalidierung Durch die Zusammenarbeit zwischen gynäkologischen Onkologieteams aus drei Forschungszentren wird das multimodale Hilfsdiagnosesystem für Eierstocktumoren einer multizentrischen, prospektiven klinischen Anwendung unterzogen, wobei die Ergebnisse der chirurgischen Pathologie als Goldstandard dienen. Die diagnostische Leistung des multimodalen Ovarialtumor-Hilfsdiagnosesystems, sowohl insgesamt als auch über verschiedene pathologische Kategorien hinweg, wird in den Haupt- und Nebenzentren durch den Vergleich von Metriken wie Spezifität, Sensitivität, positivem Vorhersagewert, negativem Vorhersagewert und Bereich unter dem bewertet ROC-Kurve (AUC). Das System wird kontinuierlich validiert und optimiert, um seine Leistung zu verbessern. Die Konsistenz zwischen präoperativer Diagnose und postoperativen pathologischen Ergebnissen wird vor und nach der Anwendung des Ovarialtumor-Hilfsdiagnosesystems in den drei Forschungszentren verglichen, um die klinische Wirksamkeit des Hilfsdiagnosesystems zu bewerten.

Multizentrisches Hilfsdiagnosesystem-Optimierungsparadigma basierend auf horizontalem föderiertem Lernen Das multizentrische Hilfsdiagnosesystem-Optimierungsparadigma basierend auf horizontalem föderiertem Lernen umfasst die Verwaltung und Verteilung des Hilfsdiagnosemodells durch das Hauptzentrum. Andere Zentren wenden inkrementelle Lernmechanismen an und verwenden ihre eigenen Daten, um das Hilfsdiagnosesystem zu verfeinern und dem Hauptzentrum aktualisierte Parameter bereitzustellen. Dieser Prozess sorgt für eine verbesserte intelligente Erkennung von Eierstocktumoren und gewährleistet gleichzeitig den zentrumsübergreifenden Datenschutz. Zunächst erstellt das Hauptzentrum ein KI-basiertes multimodales Modell zur Vorhersage von Eierstocktumoren. Dieses Modell wird dann verschlüsselt und an die Filialzentren verteilt. Sobald die Filialzentren eine bestimmte Datenpoolgröße erreicht und die Annotationsstandards erfüllt haben, beginnen sie mit der Modelloptimierung. Schließlich lädt jedes Zentrum nach der Feinabstimmung der Modelle die aktualisierten Parameter in das Hauptzentrum hoch. Das Hauptzentrum bewertet die Modellleistung, um festzustellen, ob eine Modellversionsiteration erforderlich ist. Wenn dies der Fall ist, wird das aktualisierte Modell neu verteilt, wodurch ein geschlossener Kreislauf horizontalen föderierten Lernens für die Optimierung multizentrischer Modelle erreicht wird.

Statistische Analyse Berechnung der Stichprobengröße

1. Entwicklungsphase des multimodalen Ovarialtumor-Hilfsdiagnosemodells Die erforderliche Stichprobengröße wird mithilfe der EPV-Methode (Ereignisse pro Variable) geschätzt, einer erfahrungsbasierten Methode zur Modellkonstruktion. Jede Variable erfordert typischerweise 10–20 positive Ereignisse; In dieser Studie legten die Forscher den EPV auf 20 fest. Die Forscher gehen davon aus, dass 20 unabhängige Variablen (und Dummy-Variablen) in das Diagnosemodell einbezogen werden, sodass 20 * 20 = 400 bösartige Fälle erforderlich sind. Vorläufige Daten deuten darauf hin, dass der Anteil bösartiger (echt positiver) Ovarialtumorpatientinnen etwa 30 % beträgt. Daher beträgt die erforderliche Gesamtstichprobengröße 400 / 0,30 = 1334 Fälle. Unter Berücksichtigung einer Datenverlustrate von 20 % beträgt die endgültige Stichprobengröße für den Trainingssatz 1667 Fälle. Der Trainingssatz und der Validierungssatz folgen einem Verhältnis von 4:1, was zu einer Stichprobengröße des Validierungssatzes von 418 Fällen führt. Somit beträgt die erforderliche Gesamtstichprobengröße 2084 Fälle, wobei jedes Zentrum einen gleichen Anteil beisteuert.
2. Phase der Validierung und Optimierung der klinischen Anwendung des multizentrischen, prospektiven Systems In diesem Teil der Studie wird in erster Linie der klinische Anwendungseffekt des Hilfsdiagnosesystems durch Messung der Genauigkeit bewertet. Daher wird die Formel zur Berechnung der Stichprobengröße für diagnostische Tests verwendet.

Se=90 % (Sensitivität des Diagnosesystems), Sp=90 % (Spezifität des Diagnosesystems). Basierend auf statistischen und klinischen Expertenmeinungen bezieht sich errABS=5 % auf den erwarteten absoluten Fehler, α=0,05. Gemäß der Formel zur Berechnung der Stichprobengröße erfordert die wirklich positive Gruppe die Einbeziehung von 140 Fällen. Vorläufige Daten deuten darauf hin, dass der Anteil bösartiger (echt positiver) Ovarialtumorpatientinnen etwa 30 % beträgt. Daher beträgt die erforderliche Gesamtstichprobengröße 140 / 0,30 = 467 Fälle. Unter Berücksichtigung einer Verlustrate von 20 % bei der Nachbeobachtung beträgt die endgültige Stichprobengröße 584 Fälle, wobei jedes Zentrum einen gleichen Anteil beisteuert.

Datenverwaltung Alle Daten werden in einem für die Studie entwickelten elektronischen Fallberichtsformular (eCRF) registriert. Jedes Unterzentrum wird eine unabhängige Datenbank einrichten, die von benanntem Personal verwaltet wird. Es wird ein standardisierter Prozess zur Überprüfung der Dateneingabe eingerichtet, der sicherstellt, dass die Daten genau und zeitnah in strikter Übereinstimmung mit dem Studienprotokoll erfasst werden. Es werden regelmäßige Auswertungen durchgeführt, um die Richtigkeit und Vollständigkeit der hochgeladenen Daten zu überprüfen. Datenmanager in jedem Zentrum überprüfen die in den eCRFs gesammelten Daten anhand von Quelldokumenten wie Krankenakten und überprüfen den Datenerfassungsprozess. Mitarbeiter des Hauptzentrums werden in allen teilnehmenden Zentren regelmäßig Vor-Ort-Inspektionen durchführen, um die Authentizität der Daten zu überprüfen. Die Studie wird Privacy-Computing-Technologie einsetzen, um die Unabhängigkeit und Sicherheit der Daten jedes Zentrums zu gewährleisten, Dienste für die Optimierung und Validierung multizentrischer Modelle bereitzustellen und gleichzeitig den Datenschutz zu gewährleisten.

Datenanalyse Für normalverteilte kontinuierliche Daten werden Intergruppenvergleiche unter Verwendung des T-Tests für unabhängige Stichproben und Intragruppenvergleiche unter Verwendung des gepaarten T-Tests durchgeführt. Für nicht normalverteilte kontinuierliche Daten und ordinale Daten wird der Mann-Whitney-U-Test für Vergleiche zwischen Gruppen und der Wilcoxon-Signed-Rank-Test für Vergleiche zwischen Gruppen verwendet. Für ungeordnete kategoriale Daten wird der Chi-Quadrat-Test (χ²) oder der exakte Fisher-Test für Vergleiche zwischen Gruppen und der McNemar-Test für Vergleiche innerhalb der Gruppe verwendet. Die Fläche unter der ROC-Kurve (AUC) wird mithilfe von statistisch getestet DeLong-Test sowie Sensitivität und Spezifität werden anhand des Jeffreys-Intervalls berechnet. Unter Berücksichtigung der Korrelation zwischen denselben Probanden wird bei Vergleichen zwischen Gruppen die Methode der Generalized Estimation Equation (GEE) verwendet, angepasst an Zentraleffekte. Die Analyse anderer Indikatoren erfolgt nach derselben Methodik wie die Basisanalyse.