Modelo IA para apendicitis aguda en TC

Desarrollo de información del modelo de apéndice.

- Este estudio utilizó un modelo de información del apéndice (IA) previamente entrenado basado en un marco de diagnóstico totalmente automatizado para predecir tres clases con probabilidad y mapeo de características: no apendicitis, apendicitis simple y apendicitis complicada.

La canalización de parámetros de incorporación del modelo IA aprendidos de la imagen de TC 3D de 7147 pacientes consistió en un algoritmo binario de dos etapas conectado para transferir el aprendizaje con tres modelos CNN 3D: DenseNet, EfficientNet y ResNet.

- Se aplicó un algoritmo binario de dos etapas para el aprendizaje por transferencia para aprender patrones inherentes a partir de imágenes tridimensionales de tres clases reales, como lo hace un médico cuando decide el tratamiento de la apendicitis. En el primer paso del proceso, se desarrolló un modelo de clasificación de Etapa 1 para identificar casos de no apendicitis versus apendicitis. En el segundo paso del proceso, el modelo de clasificación de la Etapa 2 identificó apendicitis simple versus complicada a partir de los datos transferidos con los parámetros entrenables aprendidos en la Etapa 1.

Actualmente, el modelo IA final ha sido validado externamente utilizando un conjunto de datos nunca antes visto de una institución externa con amplios criterios de elegibilidad para pacientes que visitaron la sala de emergencias con dolor abdominal y se sometieron a una TC abdominopélvica debido a sospecha clínica de apendicitis aguda.

Intervención Este es un estudio comparativo entre modelos humanos e IA para la tasa de apendicectomía negativa (NAR) en apendicitis no simple, complicada y no simple de un conjunto de datos prospectivo y aleatorizado, que se recopiló a partir de tomografías computarizadas de pacientes que visitaron la sala de emergencias con dolor abdominal agudo. dolor. Los participantes en el grupo de control fueron diez no radiólogos.

No se permite que el modelo IA impida el proceso de decisión preoperatoria de los médicos en la práctica clínica actual con respecto a los aspectos legales y éticos de interrogar los marcos de diagnóstico del modelo IA sobre el razonamiento matemático de un resultado en términos de protección de sujetos humanos.

Teniendo en cuenta el riesgo mínimo para los seres humanos y los aspectos éticos y legales de la inteligencia artificial, el diseño del estudio asigna estrictamente imágenes de TC a no radiólogos y modelos de IA después de completar el tratamiento para la apendicitis con o sin confirmación patológica.

Asignación de datos y evaluación del desempeño.

- Para comparar el modelo IA con humanos y no radiólogos por igual, la condición de interpretación para un no radiólogo debe cumplir todos los criterios de la siguiente manera: solo se deben asignar aleatoriamente imágenes de TC sin variables como edad, sexo y valores de laboratorio; la afiliación tanto del no radiólogo como del paciente de la imagen de TC no debe ser la misma; la proporción de asignación para apendicitis simple, complicada y sin apendicitis asignada al no radiólogo debe estar cegada; y el rango de la imagen de TC para interpretación debe ser idéntico al rango de la ROI para el apéndice, que se genera mediante la localización automática del modelo IA. Para evaluar el rendimiento del diagnóstico en humanos, un no radiólogo configuró cuatro elementos de prueba de la siguiente manera: (1) visualización del apéndice; (2) exclusión de apendicitis; (3) complicaciones; y (4) diagnóstico de imágenes de TC.

Los resultados primarios y secundarios se evaluaron utilizando los resultados de las cuatro preguntas para los participantes y el rendimiento diagnóstico del modelo IA en el mismo conjunto de datos.

Declaración ética De acuerdo con la "Guía para la utilización de datos sanitarios" y la "Guía para el manejo de información con seudónimos" de la Comisión de Protección de Información Personal del Ministerio de Salud y Bienestar, la exfiltración de datos con garantía de seguridad del archivo de datos se llevó a cabo con la aprobación del Junta de Revisión de Datos en las instituciones participantes. La junta central de revisión institucional (IRB) y los IRB de todas las instituciones participantes aprobaron este estudio.

Tamaño de la muestra y métodos estadísticos El estudio anterior de los investigadores, que completó la validación externa del modelo IA mediante la exfiltración de datos de instituciones externas, mostró una NAR del 12,4% en el conjunto de datos externos. El valor de referencia estándar para no radiólogos para NAR se ha informado como 10,5% ± 5%. Por lo tanto, la diferencia aceptable en NAR entre el modelo IA y los no radiólogos para aplicación clínica debe ser inferior al 10,0 % del margen de no inferioridad.

El tamaño de la muestra para el conjunto de datos controlados aleatorios para una sola institución fue 263, asumiendo un intervalo de confianza del 95%, poder estadístico del 90%, α de dos colas = 0,05, nivel de significancia = 0,05 y tamaño del efecto = 0,2 en la prueba Z. . En este estudio participaron dos instituciones externas. Debido a la heterogeneidad de los datos, la normalización y las diferencias de prevalencia entre las regiones entre las dos instituciones externas, se calculó el tamaño de la muestra para cada institución. Por lo tanto, suponiendo 263 pacientes por institución con una pérdida de seguimiento del 10%, el tamaño total de la muestra fue 568.