Aprendizaje automático basado en inteligencia artificial para diagnosticar y clasificar la adenomiosis a partir de ecografías: un estudio de desarrollo de modelos multicéntricos

Antecedentes: La adenomiosis es una afección ginecológica benigna caracterizada por la presencia de células endometriales ectópicas (células del revestimiento del útero) en el miometrio (capa muscular del útero). A nivel mundial, aunque la adenomiosis es prevalente en mujeres y niñas en todas las etapas de la vida, desde la adolescencia hasta la perimenopausia, sigue estando infradiagnosticada. Las mujeres con adenomiosis experimentan síntomas debilitantes como sangrado menstrual abundante, ciclos menstruales dolorosos, dolor pélvico crónico y resultados adversos del embarazo que tienen un impacto a largo plazo en su calidad de vida.

El diagnóstico y la clasificación de la adenomiosis no sólo son esenciales para correlacionarlos con la gravedad de los síntomas, sino también para asesorar a las mujeres sobre el pronóstico de la enfermedad, el tipo de tratamiento y el impacto a largo plazo de los resultados de la adenomiosis. Sin embargo, clasificar la gravedad no sólo es un proceso complejo y que requiere mucho tiempo, sino que también depende de la experiencia del operador y es subjetivo. Probablemente sería beneficioso lograr los mismos resultados en una fracción de tiempo con un sesgo reducido del operador, independientemente de su experiencia.

Cuando se trata de tareas de clasificación de imágenes, el aprendizaje automático (ML) tiene un enorme potencial para ayudar a los profesionales de la salud a clasificar objetivamente la gravedad de la adenomiosis en segundos. El marco de aprendizaje profundo y la herramienta automatizada de aprendizaje automático son herramientas de última generación para el análisis automatizado de imágenes de ecografía transvaginal (TVUS). Puede procesar directamente y aprender automáticamente características abstractas de nivel medio a alto adquiridas a partir de imágenes de ultrasonido utilizando un modelo de arquitectura profunda sin necesidad de definir manualmente las características por adelantado. Esto permite entrenar, probar y validar el modelo de aprendizaje automático con imágenes etiquetadas de ejemplo para su clasificación.

El objetivo del estudio es utilizar imágenes ecográficas anotadas de útero normal y de adenomiosis de diversa gravedad para entrenar una red neuronal mediante aprendizaje profundo supervisado que predice si una imagen de entrada pertenece a una de las siguientes clases: ninguna, leve, moderada o adenomiosis grave. Este será un proyecto novedoso y puede ayudar a los médicos y ecografistas a clasificar la gravedad de la adenomiosis en una fracción de tiempo en el futuro.

Objetivo: Investigar el uso de un modelo de reconocimiento de imágenes que utiliza aprendizaje profundo supervisado a través de una herramienta de aprendizaje automático automatizado (Vertex AI) y un marco de aprendizaje profundo (Pytorch) para la creación de un algoritmo para la clasificación ecográfica de la gravedad de la adenomiosis.

Diseño y entorno del estudio:

Tipo de estudio: Será un estudio de cohorte observacional multicéntrico. Se ha hecho referencia a las herramientas APPRAISE-AI y Modelo de predicción Risk Of Bias Assessment Tool - Inteligencia artificial (PROBAST-AI) para el desarrollo del protocolo.

Configuraciones: Las imágenes de ultrasonido de pacientes con útero normal y adenomiosis se recuperarán de diez centros de fertilidad CARE en el Reino Unido. Esto incluiría los sitios de CARE Fertility en Birmingham, Tamworth, Nottingham, Northampton, Sheffield, Leeds, Manchester, Bolton, Cheshire y Liverpool.

Población: La cohorte de estudio estará compuesta por imágenes de ultrasonido de pacientes que asistieron a los centros CARE Fertility para realizar ultrasonido entre febrero de 2022 y febrero de 2024 y fueron diagnosticados con útero normal y adenomiosis utilizando los criterios de Evaluación Sonográfica Morfológica del Útero (MUSA) en la detección de imágenes. Los criterios MUSA describen las características ecográficas del miometrio y las lesiones miometriales utilizando términos, definiciones y mediciones estandarizadas.

Se utilizará un sistema de mapeo esquemático de la gravedad de la adenomiosis publicado previamente para determinar la gravedad de la adenomiosis uterina al revisar las imágenes. Se ha elegido esto debido a la reproducibilidad, la tasa de acuerdo interobservador sustancial a casi perfecta y la correlación clínica con la gravedad de los síntomas. A cada grado se le atribuye una puntuación que va del 1 al 4 y la suma de los números de puntuación se utiliza para calcular la extensión de la enfermedad: leve (1-3), moderada (4-6) y grave (>7). . Duración: Ultrasonido realizado entre febrero de 2022 y febrero de 2024 Tamaño de la muestra: La cantidad mínima de imágenes requeridas por Vertex AI Vision para la capacitación es 100 por categoría. La probabilidad de reconocer con éxito una categoría aumenta con la cantidad de ejemplos de alta calidad para cada una. El tamaño de muestra objetivo para probar el algoritmo para clasificar la adenomiosis será de entre 1000 y 10 000 imágenes cada una para ninguna, adenomiosis leve, moderada y grave. El conjunto completo de imágenes se distribuirá equitativamente entre las categorías de clasificación; sin embargo, es posible que no sea posible obtener una cantidad aproximadamente igual de imágenes para cada categoría. El conjunto de datos completo se dividirá manualmente en dos conjuntos de datos diferentes en una proporción de 9:1; El 90% de las imágenes seleccionadas se utilizarán como conjunto de datos de entrenamiento (entrenamiento + validación) y el 10% como conjunto de datos de prueba. Esto asegurará la inclusión adecuada de imágenes diversas y representativas de cada categoría. El conjunto de datos de prueba será un conjunto de datos independiente que no se utilizará en la fase de entrenamiento, pero se obtendrá de las mismas instalaciones que los datos utilizados en la fase de entrenamiento.

Minimización del impacto potencial de los sesgos: todas las imágenes ecográficas almacenadas de útero normal y adenomiótico serán examinadas por un revisor con experiencia en exploraciones ginecológicas y de fertilidad que no conocerá las características iniciales de las mujeres para evitar sesgos de identificación y reclutamiento. Dos revisores clasificarán de forma independiente la gravedad de la adenomiosis en leve, moderada y grave en 1000 conjuntos de imágenes para establecer la concordancia.

Detalles del software de IA:

Tipo de aprendizaje automático Aprendizaje profundo supervisado: En el aprendizaje supervisado, la máquina necesita ejemplos etiquetados para aprender. El objetivo del estudio es enseñar a una máquina a reconocer la gravedad variable de la adenomiosis diagnosticada por ecografía. Las imágenes de ecografía etiquetadas como "Ninguna", "Leve", "Moderada" y "Severa" se cargarán como entrada. Al estudiar los ejemplos, el algoritmo aprenderá a reconocer qué distingue un útero normal de una adenomiosis leve y un grado leve de uno severo de adenomiosis y a asignar la clasificación correcta a cada nueva imagen que se le solicite analizar.

Tipo de framework y versión: Google Cloud Vertex AI Vision API V1 como herramienta automatizada de aprendizaje automático y la versión más actualizada de Pytorch como framework de aprendizaje automático profundo.

Adquisición de datos de entrada y selección: Los datos de entrada al modelo se recuperarán de imágenes de ultrasonido de pacientes que asistieron a los centros de fertilidad mencionados anteriormente para realizar una ecografía entre febrero de 2022 y febrero de 2024 y fueron diagnosticados con útero normal y adenomiosis en la selección de imágenes. Las imágenes de ultrasonido elegibles de participantes con útero adenomiótico se extraerán como imágenes bidimensionales (2D) y/o tridimensionales (3D) después de eliminar los identificadores del paciente. Si una paciente tiene más de una imagen de útero adenomiótico o normal, se incluirán todas estas imágenes. Estas imágenes serán revisadas por un revisor para reducir el riesgo de sesgo y formateadas para garantizar que contengan la característica ecográfica de adenomiosis de interés en la imagen. Estas imágenes revisadas y formateadas serán etiquetadas como ninguna, leve, moderada y grave por dos revisores con experiencia en el diagnóstico por ultrasonido y la clasificación de la adenomiosis. Se cargarán tres conjuntos de imágenes de entrada en el marco de aprendizaje automático:

1. Conjunto de entrenamiento: el 80% de los datos de la imagen estarán en el conjunto de entrenamiento. El modelo "ve" e inicialmente aprende de estos datos.
2. Conjunto de validación: el conjunto de validación también es parte del proceso de entrenamiento, pero se mantiene separado para ajustar los hiperparámetros del modelo. Se utilizará el 10% del total de imágenes diferentes al conjunto de datos de entrenamiento para ajustar la estructura del modelo para que puede generalizar mejor.
3. Conjunto de prueba: el conjunto de prueba ingresa al escenario solo después del proceso de capacitación. Se utilizará para probar el rendimiento del modelo con los datos que aún no ha visto. El 10% del total de imágenes se utilizará como conjunto de prueba. Se cargarán imágenes de prueba sin etiquetar en el sistema y se comparará el rendimiento del modelo de inteligencia artificial (IA) con el estándar, es decir, la clasificación original de los investigadores. La división de los datos totales de la imagen en conjunto de entrenamiento, conjunto de validación y conjunto de prueba se realizará manualmente. Manejo de datos de entrada de mala calidad o no disponibles: Estas imágenes serán excluidas.

Criterios de elegibilidad:

Inclusión:

A. Participantes: Mujeres que acuden al centro de fertilidad antes mencionado para realizarse una ecografía entre febrero de 2022 a febrero de 2024 por cualquier indicación y se les diagnostica útero normal y adenomiosis en la ecografía en el cribado de imágenes.

B. Datos de entrada: Imágenes 2D y/o 3D concluyentes y de buena calidad de útero normal y útero adenomiótico donde las características ecográficas de la adenomiosis son claramente visibles.

Exclusión:

A. Participantes: Mujeres con fibromas intramurales únicos o múltiples coexistentes y anomalías de la cavidad endometrial.

B. Datos de entrada: Se excluirán las ecografías no concluyentes según la evaluación del revisor, las imágenes de mala calidad en las que las características ecográficas de la adenomiosis no estén claras y las imágenes que no puedan clasificarse en una de las cuatro categorías.

Consentir:

El estudio es puramente observacional y no se realiza ninguna intervención ni paso adicional como parte del estudio. Las imágenes ecográficas del útero normal y adenomiótico se habrían adquirido en el momento en que una mujer se sometía a una TVUS, que forma parte de la práctica clínica habitual. Dado que la máquina de ultrasonido permite la exportación de imágenes sin información identificable del paciente, a los datos (que incluyen solo imágenes de ultrasonido) se les eliminará la información identificable del paciente (nombre y fecha de nacimiento) antes de extraer los datos. Se ha remitido la lista de verificación previa a la solicitud del Grupo Asesor de Confidencialidad (CAG) de la Autoridad de Investigación de Salud del NHS para determinar la elegibilidad de este proyecto para procesar la información del paciente sin consentimiento. Por lo tanto, no se solicitará ningún consentimiento informado a los participantes del estudio, ya que solo se utilizarán datos anonimizados que ya estén disponibles.

Resultados y análisis estadístico.

Resultados primarios: la precisión promedio (valor predictivo positivo), la precisión, la recuperación, el área bajo la curva característica operativa del receptor (AUC), la sensibilidad, la especificidad y la precisión del modelo serán los principales resultados de interés para el modelo de aprendizaje automático profundo y automatizado. Todos los análisis se realizarán utilizando el software estadístico Stata (versión 18, TX, EE. UU.) para el modelo de marco de aprendizaje automático profundo (ML) y utilizando el software de aprendizaje automático automatizado para el modelo ML automatizado. Una vez entrenado el modelo automatizado, se informará un análisis detallado que consiste en un resumen del rendimiento del modelo (resultado del modelo). El incluirá lo siguiente:

• Umbral de puntuación: el umbral de puntuación se refiere al nivel de confianza que debe tener el modelo para asignar una categoría a un elemento de prueba. El control deslizante del umbral de puntuación en la consola de Google Cloud es una herramienta visual para probar el efecto de diferentes umbrales para todas las categorías y categorías individuales en el conjunto de datos. Durante la evaluación se adoptará un umbral de puntuación que proporcione un buen equilibrio entre falsos positivos y falsos negativos.
• Verdaderos positivos, verdaderos negativos, falsos positivos y falsos negativos.
• Precisión y recuperación: de todo el conjunto de imágenes de prueba a las que se les asignó una categoría, la precisión indica cuántas realmente se suponía que debían clasificarse con esa etiqueta y la recuperación indica a cuántas se les asignó realmente la etiqueta. La etiqueta del estándar de referencia se refiere a la categorización realizada por los investigadores.
• Curvas de precisión/recuperación

Resultado secundario: Evaluación del acuerdo entre evaluadores entre dos revisores en la evaluación ecográfica de la adenomiosis utilizando el kappa de Fleiss. Los coeficientes K utilizados para interpretar la fuerza del acuerdo serán: ≤0=pobre, 0,01 a 0,20=leve, 0,21 a 0,40=regular, 0,41 a 0,60=moderado, 0,61 a 0,80=sustancial y 0,81 a 1=casi perfecto .

Manejo de datos y mantenimiento de registros: los datos (imágenes de ultrasonido no identificadas) se almacenarán en Google Cloud de acuerdo con la Ley de Protección de Datos de 2018.

Las imágenes de ultrasonido elegibles de participantes con útero normal y adenomiótico se extraerán como imágenes 2D y/o 3D después de eliminar los identificadores del paciente. Una vez finalizado el estudio, las imágenes almacenadas en Google Cloud se eliminarán.

Control y garantía de calidad: se seguirán los principios de buenas prácticas clínicas durante toda la duración del estudio.

Informe de eventos adversos: considerando la naturaleza observacional del estudio y que no implica ningún paso adicional en el diseño del estudio aparte del TVUS inicial, no existen consideraciones de seguridad involucradas.

Consideraciones éticas:

Se obtuvo la aprobación ética de la Junta de Revisión Institucional (IRB) local y del equipo de investigación y desarrollo de CARE Fertility.

Confidencialidad y protección de datos: se utilizará un número de identificación de imagen único para la identificación de los participantes del estudio. Todos los datos personales utilizados en el estudio se procesarán de acuerdo con la Ley de protección de datos de 2018 y se considerarán estrictamente confidenciales.

Financiamiento: Los fondos para este proyecto provienen del Centro Nacional de Investigación del Aborto Espontáneo de Tommy, Birmingham, Reino Unido.

Conflictos de intereses: No existen conflictos de intereses asociados con este estudio.

Enmiendas: Cualquier modificación al protocolo o la documentación del estudio será iniciada por el Investigador Jefe. Todas las modificaciones sustanciales se presentarán al IRB para su aprobación seguida de la implementación de los cambios en todos los sitios involucrados en el estudio. Las modificaciones se documentarán en la sección "Enmienda al protocolo" del protocolo del estudio.

Definición de fin del proyecto: La recopilación y preparación de datos, la capacitación y evaluación del modelo y la redacción del manuscrito se llevarán a cabo durante un período de 12 meses.

Aspectos del estudio futuro: el objetivo a largo plazo es analizar este modelo de IA validado internamente para validación externa en centros externos del Servicio Nacional de Salud (NHS) utilizando el sistema PACS de imágenes archivadas y correlacionarlo con la histopatología de muestras de histerectomía. Esto también implicaría un análisis de la utilidad clínica mediante la evaluación del impacto del modelo en la toma de decisiones y los resultados. Si el rendimiento del modelo es apropiado en términos de valor predictivo positivo, precisión y utilidad clínica, se implementará para uso en tiempo real mediante predicción en línea. El modelo puede implementarse para solicitudes de clasificación en forma de aplicación en línea o como una aplicación integrada en máquinas de ultrasonido.

Política de publicación: Los resultados del estudio se compartirán a través de las redes sociales y científicas. Los resultados del estudio se enviarán a una revista revisada por pares dentro del campo de la ecografía ginecológica (Ultrasound in Obstetrics and Gynecology (UOG)) y la salud digital (The Lancet Digital Health). El manuscrito será preparado por la Dra. Ishita Mishra y la autoría se determinará según el grado de contribución individual al estudio y redacción del manuscrito.