Un sistema asistido por computadora (CADx） para la caracterización en tiempo real de enfermedades ulcerosas colorrectales

El objetivo de este estudio observacional es construir y validar un sistema asistido por computadora (CADx） en la caracterización en tiempo real de enfermedades ulcerativas colorrectales. Las fotografías y videos endoscópicos se recuperarán de la base de datos existente en los centros de estudio. Para cada úlcera colorrectal, se capturarán diferentes vistas endoscópicas. Se recopilarán datos demográficos iniciales relevantes, informes de laboratorio, informes de imágenes, informes de endoscopia y resultados histopatológicos para su análisis. Se registrará la ubicación, tamaño y morfología de cada lesión colónica. El diagnóstico de todas las enfermedades ulcerosas colorrectales fue evaluado exhaustivamente por patólogos y gastroenterólogos independientes. En nuestro estudio, nos centraremos en los siguientes subtipos de lesiones ulcerativas colorrectales:

1. cáncer colorrectal (CA);
2. enfermedad de Crohn (EC);
3. colitis ulcerosa (CU);
4. tuberculosis intestinal (ITB);
5. colitis isquémica (CI). Todos los datos serán anonimizados antes del procesamiento central para garantizar la confidencialidad. Se utilizará un número de serie específico del proyecto para representar cada tema individual. Todos los datos clínicos y las imágenes endoscópicas no identificadas se mantendrán confidenciales y no se compartirán con ningún tercero.

Se desarrollará una cohorte de capacitación a partir de la mayoría de los casos incluidos, seguida de una cohorte de validación con los casos restantes. Las imágenes y videos endoscópicos se prepararán para entrenar la red neuronal intrincada y la red neuronal recurrente seleccionando regiones de interés (ROI) apropiadas. Se recopilarán múltiples ROI dentro de la misma enfermedad ulcerosa colorrectal para reducir el sesgo de selección. La anotación y validación de las imágenes endoscópicas estará a cargo del equipo de investigación. Las imágenes se segmentarán aún más en mosaicos del mismo tamaño para su posterior procesamiento. Se aplicarán algoritmos de aprendizaje profundo para aprender y extraer características de los datos de imágenes y videos. Desarrollaremos la red convolucional recurrente para aprovechar la información complementaria de las características visuales y temporales extraídas del video. Los datos de validación también se crean bajo el mismo principio que permite la validación cruzada para la precisión del modelo.