Forschung zu Deep Learning-basierter intelligenter Diagnose und Behandlung

Diese Studie ist eine bildgebungsbasierte klinische Studie im Bereich der künstlichen Intelligenz, die darauf abzielt, Deep-Learning-Modelle für die multimodale Bildanalyse und intelligente klinische Entscheidungsunterstützung im kraniomaxillofazialen Bereich zu entwickeln, zu trainieren und zu validieren.
Es ist geplant, etwa 2.000 Teilnehmer aufzunehmen.
Alle Teilnehmer verfügen über kraniomaxillofaziale Bilddaten und zugehörige klinische Informationen, die im Rahmen der routinemäßigen zahnmedizinischen, kieferorthopädischen, mund-, kiefer- und gesichtschirurgischen oder verwandten klinischen Versorgung erhoben wurden.

Die in dieser Studie verwendeten Bilddaten können zweidimensionale Gesichtsfotografien, digitalen Volumentomographie-Aufnahmen und dreidimensionale Gesichtsoberflächenscans umfassen.
Zugehörige klinische Daten können demografische Informationen, klinische Diagnosen, skeletale oder dentale Klassifikationen, kephalometrische Messungen, behandlungsbezogene Aufzeichnungen und verfügbare Expertenbewertungen umfassen.
Diese Studie konzentriert sich auf die Entwicklung künstlicher Intelligenzmodelle für die kraniomaxillofaziale Bildklassifikation, Erkennung anatomischer Landmarken, regionale Segmentierung, Anomalieerkennung und behandlungsbezogene Entscheidungsunterstützung.

Vor der Modellentwicklung werden alle Bilddaten einer standardisierten Vorverarbeitung unterzogen.
Vorverarbeitungsschritte können die Bildanonymisierung, Qualitätsbewertung, Formatkonvertierung, Ausrichtungskorrektur, Beschneidung, Auflösungsstandardisierung, Grauwert- oder Intensitätsnormalisierung, räumliche Registrierung und Extraktion des interessierenden Bereichs umfassen.
Für zweidimensionale Bilder werden standardisierte Gesichts- oder Röntgenregionen gemäß der spezifischen Bildgebungsaufgabe definiert.
Bei digitalen Volumentomographie- und dreidimensionalen Gesichtsoberflächendaten kann die Vorverarbeitung die volumetrische Rekonstruktion, Oberflächenrekonstruktion, Netzverarbeitung, Punktwolkenverarbeitung oder Extraktion anatomischer Strukturen umfassen.

Referenzlabels werden aus klinischen Krankenakten, klinischen Diagnosen und manuellen Expertenannotationen abgeleitet.
Für Segmentierungsaufgaben werden anatomische Regionen oder Strukturen von geschulten Klinikern oder kalibrierten Forschern manuell annotiert.
Für die Erkennung von Landmarken werden vordefinierte anatomische Landmarken gemäß standardisierten kraniomaxillofazialen Messprotokollen annotiert.
Für Klassifikationsaufgaben werden das Skelettmuster, die Zahnbeziehung, die kraniomaxillofaziale Morphologiekategorie oder andere klinisch sinnvolle Klassifikationslabel basierend auf Expertenbewertungen bestimmt.
Die Inter- und Intra-Beobachter-Übereinstimmung wird ebenfalls bewertet, um die Zuverlässigkeit manueller Annotationen und klinischer Labels zu gewährleisten.

Der Datensatz von etwa 2.000 Teilnehmern wird in Trainings-, Validierungs- und Testdatensätze aufgeteilt.
Siebzig Prozent der Daten werden für das Modelltraining, 15 % für die Modellvalidierung und 15 % für unabhängige Tests verwendet.

Die Deep-Learning-Modelle umfassen Convolutional Neural Networks, attention-basierte Modelle und Multi-Task-Learning-Modelle.
Die Modellentwicklung umfasst die Optimierung von Hyperparametern, Regularisierung, Datenaugmentierung und Leistungsüberwachung basierend auf dem Validierungsdatensatz.

Bei Bildsegmentierungsaufgaben wird die Modellleistung anhand von Metriken zur Segmentierungsgenauigkeit bewertet, einschließlich des Dice-Ähnlichkeitskoeffizienten, der Überschneidungen über die Vereinigungsmenge, der pixelweisen Genauigkeit, Sensitivität, Spezifität und gegebenenfalls von Grenzabstandsmetriken wie dem Hausdorff-Abstand oder dem durchschnittlichen Oberflächenabstand.
Bei Bildklassifikations- und Diagnoseerkennungsaufgaben wird die Modellleistung anhand von Genauigkeit, Präzision, Rückruf, F1-Wert, Sensitivität, Spezifität, positivem Vorhersagewert, negativem Vorhersagewert, Receiver-Operating-Characteristic-Kurvenanalyse und der Fläche unter der Receiver-Operating-Characteristic-Kurve bewertet.
Verwirrungsmatrizen werden verwendet, um die Verteilung der richtigen und falschen Klassifikationen über Diagnosekategorien hinweg zu beschreiben.
Bei Mehrklassen-Klassifikationsaufgaben können makro-gemittelte und gewichtet-gemittelte Leistungskennzahlen berichtet werden.
Bei Aufgaben zur Erkennung anatomischer Landmarken wird die Modellleistung anhand des mittleren radialen Fehlers, des mittleren absoluten Fehlers, der erfolgreichen Erkennungsrate innerhalb klinisch sinnvoller Abstandsschwellen und der Übereinstimmung mit Expertenannotationen bewertet.

Bei behandlungsbezogenen Entscheidungsunterstützungsaufgaben werden die Modellausgaben mit dem klinischen Urteil von Experten verglichen.
Evaluierungsmetriken umfassen Genauigkeit, Präzision, Rückruf, F1-Wert, AUC und Entscheidungskurvenanalyse.

Am Bild-Annotation und Datenverarbeitung beteiligtes Personal erhält vor Beginn der Studie eine einschlägige Schulung.
Der Zugriff auf identifizierbare persönliche Informationen wird auf autorisiertes Forschungspersonal beschränkt.
Die für die Modellentwicklung verwendeten Analysedatensätze werden nach Möglichkeit anonymisiert oder pseudonymisiert.

Die geplante Aufnahme von etwa 2.000 Teilnehmern wird voraussichtlich Subgruppenanalysen und Robustheitstests unterstützen, wenn die Verteilung der Bildgebungsmodalitäten und klinischen Kategorien ausreichend ist.
Fehlende, nicht verfügbare, nicht interpretierbare oder inkonsistente Daten werden aufgezeichnet.

Die in dieser Studie entwickelten Modelle der künstlichen Intelligenz sollen medizinisches Personal bei der kraniomaxillofazialen Bildanalyse und klinischen Entscheidungsunterstützung unterstützen.
Die Modelle ersetzen nicht die professionelle klinische Diagnose oder individualisierte Behandlungsplanung durch qualifizierte Kliniker.
Jegliche zukünftige klinische Anwendung dieser Modelle erfordert eine weitere Validierung, klinische Überprüfung und entsprechende institutionelle oder behördliche Genehmigung.