Establecimiento y aplicación clínica de un sistema de diagnóstico multimodal basado en inteligencia artificial para tumores de ovario

Métodos/Diseño Objetivo del estudio El primer objetivo de este estudio es construir un conjunto de datos públicos de tumores de ovario multimodal que incluya ultrasonido, imágenes de resonancia magnética y datos de indicadores clínicos para respaldar las tareas impulsadas por la IA. Este conjunto de datos integrará diversos tipos de datos médicos para facilitar el análisis integral de la IA y la capacitación de modelos. Al emplear tecnología de redes neuronales convolucionales (CNN), el estudio busca lograr un reconocimiento inteligente multiclase de imágenes multimodales. Esto implica extraer y analizar características de datos de imágenes e integrarlas con datos clínicos multidimensionales a nivel de características, con el objetivo de entrenar y validar un modelo de diagnóstico auxiliar capaz de predecir con precisión al menos los diez tipos patológicos más comunes de tumores de ovario. Además, el estudio utilizará computación que preserve la privacidad y métodos de aprendizaje federados para realizar una optimización y validación prospectiva multicéntrica del modelo. Estos métodos garantizarán la seguridad y privacidad de los datos y al mismo tiempo permitirán la capacitación de modelos colaborativos. El objetivo final es desarrollar un sistema de diagnóstico auxiliar clínico que pueda predecir los tipos patológicos de la mayoría de los tumores de ovario y implementarse en entornos clínicos. Este enfoque integral tiene como objetivo aprovechar las fortalezas de la tecnología de inteligencia artificial en imágenes médicas, garantizando la seguridad de los datos y mejorando al mismo tiempo la precisión y confiabilidad del diagnóstico de tumores de ovario.

Entorno del estudio Este estudio se lleva a cabo en Beijing, China. Los sujetos del estudio proceden del Hospital Shijitan de Beijing, el Hospital de la Amistad de Beijing y el Hospital de Ginecología y Obstetricia de Beijing, todos ellos afiliados a la Universidad Médica Capital. Estos hospitales brindan una población de pacientes diversa, lo que respalda la generalización de los hallazgos del estudio.

Sujetos del estudio Los sujetos del estudio son pacientes diagnosticadas con tumores de ovario que se han sometido a tratamiento quirúrgico. Los casos utilizados para desarrollar el modelo predictivo provienen de pacientes que se inscribieron consecutivamente entre enero de 2018 y enero de 2023. Los casos de validación de aplicaciones clínicas se recopilarán de forma prospectiva de pacientes entre junio de 2023 y junio de 2025. Los criterios de inclusión para ambas partes del estudio son los siguientes: (1) pacientes diagnosticadas con tumores de ovario que hayan sido sometidas a tratamiento quirúrgico; (2) pacientes con datos de imágenes completos (ultrasonido o resonancia magnética) y resultados de marcadores tumorales obtenidos dentro de los tres meses anteriores a la cirugía. Además, la segunda parte requiere el consentimiento informado de los participantes. Los criterios de exclusión son los siguientes: (1) pacientes con patología quirúrgica no originada en el ovario; (2) casos duplicados; (3) pacientes que han recibido quimioterapia o radioterapia; (4) casos recurrentes; (5) imágenes de mala calidad de las lesiones ováricas; y (6) información del caso incompleta.

Ética El protocolo del estudio ha sido revisado y aprobado por el Comité de Ética del Hospital Shijitan de Beijing, afiliado a Capital Medical University. El número de aprobación ética es: [indique el número]. El estudio se llevará a cabo de acuerdo con los principios de la Declaración de Helsinki. Para la fase de desarrollo del modelo, a los casos retrospectivos se les ha concedido una exención del consentimiento informado. Para la fase de validación clínica, todos los participantes leerán un formulario de consentimiento informado antes de que comience el estudio, aceptarán voluntariamente participar y firmarán el formulario de consentimiento informado.

Recopilación de datos Los investigadores recopilarán datos de imágenes (ultrasonido pélvico, resonancia magnética pélvica) y datos clínicos (información general, historial médico, antecedentes familiares, examen físico, pruebas de laboratorio, informes de patología, diagnóstico clínico, etc.) de los sujetos del estudio. Esto ayudará a construir un conjunto de datos de tumores de ovario multimodal con anotaciones de clasificación y segmentación, proporcionando soporte de conjunto de datos de IA para el desarrollo posterior de modelos de diagnóstico auxiliares de tumores de ovario multimodales. A medida que avanza la investigación, los investigadores pretenden lograr una expansión flexible y una extracción profunda del conjunto de datos, establecer protocolos estandarizados para conjuntos de datos multimodales y permitir el intercambio de datos eficaz.

Procesamiento de datos de imágenes, segmentación y anotación de clasificación Este proyecto utiliza la herramienta OpenSlide para procesar imágenes y cambiar su tamaño para garantizar que las dimensiones en píxeles sean múltiplos de 300. Posteriormente, las imágenes se dividen en secciones de 300 × 300 píxeles y se convierten al formato PNG. La segmentación precisa de las lesiones es fundamental para un reconocimiento preciso de las imágenes. El proyecto involucra a un equipo de ginecólogos, así como a expertos de la Escuela de Ingeniería Electrónica y de la Información de la Universidad de Beihang, que utilizan el software de anotación profesional LabelMe para la segmentación de imágenes y la anotación de clasificación basada en resultados patológicos, creando así una base de datos segmentada y clasificada. Por ejemplo, en el caso de imágenes de ultrasonido 2D, las lesiones se segmentan manualmente, y las ubicaciones de los tumores de ovario se marcan y se convierten en las etiquetas de clasificación correspondientes.

Para mejorar aún más la precisión y los resultados de la segmentación, este estudio construye una arquitectura de red de segmentación de imágenes de tumores de ovario, que incorpora un módulo de fusión de características de múltiples escalas y una optimización de la función de pérdida de múltiples niveles. La arquitectura general de la red combina la segmentación de superpíxeles con el aprendizaje profundo, aprovechando las sólidas capacidades de extracción de características de las redes neuronales convolucionales (CNN) para mejorar la información de borde y mejorar la precisión de la segmentación.

Construcción de un sistema auxiliar de diagnóstico de tumores de ovario basado en IA que utiliza IA para el reconocimiento de imágenes Para las imágenes multimodales de entrada (ultrasonido y resonancia magnética), se realiza la extracción de características visuales. Para abordar las tareas visuales de clasificación y segmentación de lesiones, se construyen dos modelos de algoritmo: un modelo de estructura residual densa y un modelo de estructura con reconocimiento de bordes de múltiples niveles. Estos modelos permiten el reconocimiento inteligente de tipos patológicos en imágenes multimodales

Modelo predictivo que integra datos estructurados multidimensionales En primer lugar, se utilizan redes neuronales convolucionales para generar resultados de predicción a nivel de píxel (resultados de segmentación) y los algoritmos de IA proporcionan resultados de predicción de IA (probabilidades posteriores). Posteriormente, el vector de probabilidad posterior se fusiona con datos estructurados (edad, síntoma principal, duración de la enfermedad, hallazgos del examen físico, pruebas de laboratorio y otros indicadores clínicos). Estos se concatenan en un nuevo vector de características, que luego se analiza más a fondo mediante un modelo de decisión (como XGBoost) para determinar la categoría patológica del tumor de ovario. El modelo se entrena y valida utilizando resultados patológicos como estándar de oro.

Sistema Auxiliar de Diagnóstico El sistema auxiliar de diagnóstico de tumores de ovario multimodal se estructura en varios niveles jerárquicos. El sistema consta de cuatro niveles principales, de abajo hacia arriba: 1）Módulo subyacente: este módulo es el principal responsable de proporcionar aceleración de inferencia de aprendizaje profundo, garantizando las capacidades fundamentales necesarias para el funcionamiento del sistema. 2）Biblioteca de aplicaciones básicas (capa básica): esta capa ofrece bibliotecas esenciales para el procesamiento de información médica y el registro de registros de la plataforma. 3）Marco de aprendizaje profundo (capa de inferencia de aprendizaje profundo): sirve como el núcleo inteligente del sistema y proporciona los marcos de aprendizaje profundo fundamentales necesarios para la inferencia del sistema inteligente. Esto incluye bibliotecas de inferencia de redes neuronales de uso común que admiten una inferencia precisa de modelos de redes neuronales en diferentes plataformas. 4）Capa de aplicación (subdividida en capa de aplicación y capa de componentes): esta capa ofrece los servicios necesarios para el sistema de plataforma. Está diseñado para ser flexible y extensible, con módulos funcionales independientes y débilmente acoplados. Las capas están relativamente desacopladas y cada una proporciona una funcionalidad independiente. El sistema de plataforma está diseñado de abajo hacia arriba y presenta una interfaz operativa encapsulada externamente y fácil de usar que permite la interacción directa del usuario con la plataforma.

El sistema auxiliar de diagnóstico de tumores de ovario multimodal tiene varias funciones clave. En primer lugar, puede leer imágenes de ultrasonido y resonancia magnética, así como registros médicos, según los requisitos del usuario, y convertir el formato según sea necesario. Luego preprocesa las imágenes y los registros médicos eliminando información irrelevante, lo que facilita la inferencia posterior del modelo. El módulo de reconocimiento de lesiones realiza tanto clasificación como segmentación, estimando las probabilidades de lesión e identificando áreas potenciales de lesión. Finalmente, el módulo de posprocesamiento de datos realiza una fusión de resultados de clasificación a nivel de decisión, anota automáticamente áreas de lesión y genera resultados de diagnóstico auxiliares que predicen tipos patológicos combinando la información del registro médico.

Optimización del sistema de diagnóstico auxiliar prospectivo multicéntrico y validación de la aplicación clínica A través de la colaboración entre equipos de oncología ginecológica de tres centros de investigación, el sistema de diagnóstico auxiliar de tumores de ovario multimodal se someterá a una aplicación clínica prospectiva multicéntrica, con los resultados de patología quirúrgica utilizados como estándar de oro. El rendimiento diagnóstico del sistema auxiliar de diagnóstico de tumores de ovario multimodal, tanto en general como en diferentes categorías patológicas, se evaluará en los centros principales y subsidiarios comparando métricas como especificidad, sensibilidad, valor predictivo positivo, valor predictivo negativo y área bajo el Curva ROC (AUC). El sistema será validado y optimizado continuamente para mejorar su rendimiento. La consistencia entre el diagnóstico preoperatorio y los resultados patológicos posoperatorios se comparará antes y después de la aplicación del sistema de diagnóstico auxiliar de tumores de ovario en los tres centros de investigación, con el fin de evaluar la eficacia clínica del sistema de diagnóstico auxiliar.

Paradigma de optimización del sistema de diagnóstico auxiliar multicéntrico basado en el aprendizaje federado horizontal El paradigma de optimización del sistema de diagnóstico auxiliar multicéntrico basado en el aprendizaje federado horizontal implica la gestión y distribución del modelo de diagnóstico auxiliar por parte del centro principal. Otros centros aplican mecanismos de aprendizaje incremental, utilizando sus propios datos para afinar el sistema de diagnóstico auxiliar y proporcionar parámetros actualizados al centro principal. Este proceso garantiza un reconocimiento inteligente mejorado de los tumores de ovario al tiempo que mantiene la privacidad de los datos en todos los centros. Inicialmente, el centro principal construye un modelo de predicción de tumores de ovario multimodal basado en inteligencia artificial. Luego, este modelo se cifra y se distribuye a las sucursales. Las sucursales, después de alcanzar un cierto tamaño de conjunto de datos y cumplir con los estándares de anotación, inician la optimización del modelo. Finalmente, después de ajustar los modelos, cada centro carga los parámetros actualizados al centro principal. El centro principal evalúa el rendimiento del modelo para determinar si es necesaria una iteración de la versión del modelo. Si es así, el modelo actualizado se redistribuye, logrando un circuito cerrado de aprendizaje federado horizontal para la optimización del modelo multicéntrico.

Análisis estadístico Cálculo del tamaño de la muestra.

1. Fase de desarrollo del modelo multimodal de diagnóstico auxiliar de tumores de ovario. El tamaño de muestra requerido se estima mediante el método EPV (Eventos por variable), que es un método basado en la experiencia para la construcción de modelos. Cada variable normalmente requiere de 10 a 20 eventos positivos; En este estudio, los investigadores fijaron el EPV en 20. Los investigadores anticipan incluir 20 variables independientes (y variables ficticias) en el modelo de diagnóstico, por lo que necesitarán 20 * 20 = 400 casos malignos. Los datos preliminares indican que la proporción de pacientes con tumores de ovario malignos (verdaderos positivos) es aproximadamente del 30%. Por lo tanto, el tamaño total de muestra requerido es 400/0,30 = 1334 casos. Considerando una tasa de pérdida de datos del 20 %, el tamaño de muestra final para el conjunto de entrenamiento es 1667 casos. El conjunto de entrenamiento y el conjunto de validación seguirán una proporción de 4:1, lo que dará como resultado un tamaño de muestra del conjunto de validación de 418 casos. Por lo tanto, el tamaño total de la muestra requerido es de 2084 casos, y cada centro contribuye con una proporción igual.
2. Fase de optimización y validación de la aplicación clínica del sistema prospectivo multicéntrico Esta parte del estudio evalúa principalmente el efecto de la aplicación clínica del sistema de diagnóstico auxiliar midiendo la precisión. Por tanto, se utiliza la fórmula de cálculo del tamaño de la muestra para las pruebas diagnósticas.

Se=90% (Sensibilidad del sistema de diagnóstico), Sp=90% (Especificidad del sistema de diagnóstico). Según opiniones de expertos clínicos y estadísticos, errABS=5% se refiere al error absoluto esperado, α=0,05. Según la fórmula de cálculo del tamaño de la muestra, el grupo de verdaderos positivos requiere la inclusión de 140 casos. Los datos preliminares indican que la proporción de pacientes con tumores de ovario malignos (verdaderos positivos) es aproximadamente del 30%. Por lo tanto, el tamaño total de muestra requerido es 140 / 0,30 = 467 casos. Considerando una tasa de pérdida de seguimiento del 20%, el tamaño de la muestra final es de 584 casos, y cada centro contribuye con una proporción igual.

Gestión de datos Todos los datos se registrarán en un formulario electrónico de informe de caso (eCRF) diseñado para el estudio. Cada subcentro establecerá una base de datos independiente administrada por personal designado. Se establecerá un proceso estandarizado de verificación de ingreso de datos, asegurando que los datos se registren de manera precisa y oportuna en estricta conformidad con el protocolo del estudio. Se realizarán evaluaciones periódicas para comprobar la exactitud e integridad de los datos cargados. Los administradores de datos de cada centro verificarán los datos recopilados en los eCRF con documentos fuente, como registros médicos, y revisarán el proceso de recopilación de datos. El personal del centro principal realizará inspecciones in situ periódicas en todos los centros participantes para verificar la autenticidad de los datos. El estudio empleará tecnología informática de privacidad para garantizar la independencia y seguridad de los datos de cada centro, brindando servicios para la optimización y validación de modelos multicéntricos al tiempo que se garantiza la privacidad de los datos.

Análisis de datos Para datos continuos distribuidos normalmente, las comparaciones entre grupos se realizarán utilizando la prueba t de muestras independientes y las comparaciones intragrupo se realizarán utilizando la prueba t pareada. Para datos continuos y datos ordinales no distribuidos normalmente, se utilizará la prueba U de Mann-Whitney para comparaciones intergrupales y la prueba de rangos con signo de Wilcoxon se utilizará para comparaciones intragrupo. Para datos categóricos desordenados, se utilizará la prueba de chi-cuadrado (χ²) o la prueba exacta de Fisher para comparaciones intergrupales, y la prueba de McNemar se utilizará para comparaciones intragrupo. El área bajo la curva ROC (AUC) se probará estadísticamente utilizando el La prueba de DeLong y la sensibilidad y especificidad se calcularán utilizando el intervalo de Jeffreys. Considerando la correlación entre los mismos sujetos, las comparaciones intergrupales utilizarán el método de Ecuación de Estimación Generalizada (GEE) ajustado por efectos de centro. El análisis de otros indicadores seguirá la misma metodología que el análisis de línea de base.