Investigación sobre Diagnosis y Tratamiento Inteligentes Basados en Aprendizaje Profundo

Este estudio es un estudio de inteligencia artificial clínica basado en imágenes que tiene como objetivo desarrollar, entrenar y validar modelos de aprendizaje profundo para el análisis de imágenes multimodales craneomaxilofaciales y el soporte inteligente de decisiones clínicas. Se planea inscribir aproximadamente 2000 participantes. Todos los participantes dispondrán de datos de imágenes craneomaxilofaciales e información clínica relacionada obtenida durante la atención clínica rutinaria odontológica, ortodóncica, oral y maxilofacial o relacionada.

Los datos de imágenes utilizados en este estudio pueden incluir fotografías faciales bidimensionales, imágenes de tomografía computarizada de haz cónico y escaneos de superficie facial tridimensionales. Los datos clínicos relacionados pueden incluir información demográfica, diagnóstico clínico, clasificación esquelética o dental, mediciones cefalométricas, registros relacionados con el tratamiento y evaluaciones de expertos disponibles. Este estudio se centrará en el desarrollo de modelos de inteligencia artificial para clasificación de imágenes craneomaxilofaciales, detección de puntos de referencia anatómicos, segmentación regional, reconocimiento de anomalías y soporte de decisiones relacionadas con el tratamiento.

Antes del desarrollo del modelo, todos los datos de imágenes se someterán a un preprocesamiento estandarizado. Los procedimientos de preprocesamiento pueden incluir desidentificación de imágenes, evaluación de calidad, conversión de formato, corrección de orientación de la imagen, recorte, estandarización de resolución, normalización de escala de grises o intensidad, registro espacial y extracción de región de interés. Para imágenes bidimensionales, se definirán regiones faciales o radiográficas estandarizadas según la tarea específica de imagen. Para datos de tomografía computarizada de haz cónico y superficie facial tridimensional, el preprocesamiento puede incluir reconstrucción volumétrica, reconstrucción de superficie, procesamiento de malla, procesamiento de nube de puntos o extracción de estructuras anatómicas.

Las etiquetas de referencia se derivarán de registros médicos clínicos, diagnóstico del médico y anotación manual de expertos. Para tareas de segmentación, las regiones o estructuras anatómicas serán anotadas manualmente por médicos entrenados o investigadores calibrados. Para tareas de detección de puntos de referencia, los puntos de referencia anatómicos predefinidos se anotarán según protocolos estandarizados de medición craneomaxilofacial. Para tareas de clasificación, el patrón esquelético, la relación dental, la categoría morfológica craneomaxilofacial u otras etiquetas de clasificación clínicamente significativas se determinarán según la evaluación de expertos. También se evaluará la consistencia inter-observador e intra-observador para garantizar la fiabilidad de las anotaciones manuales y las etiquetas clínicas.

El conjunto de datos de aproximadamente 2000 participantes se dividirá en conjuntos de datos de entrenamiento, validación y prueba. El setenta por ciento de los datos se utilizará para el entrenamiento del modelo, el 15% para la validación del modelo y el 15% para pruebas independientes.

Los modelos de aprendizaje profundo incluirán redes neuronales convolucionales, modelos basados en atención y modelos de aprendizaje multitarea. El desarrollo del modelo incluirá optimización de hiperparámetros, regularización, aumento de datos y monitoreo del rendimiento basado en el conjunto de datos de validación.

Para tareas de segmentación de imágenes, el rendimiento del modelo se evaluará utilizando métricas de precisión de segmentación, incluido el coeficiente de similitud de Dice, Intersección sobre Unión, precisión pixel a pixel, sensibilidad, especificidad y, cuando corresponda, métricas de distancia límite, como la distancia de Hausdorff o la distancia superficial promedio. Para tareas de clasificación de imágenes y reconocimiento diagnóstico, el rendimiento del modelo se evaluará utilizando precisión, exactitud, recuperación, puntuación F1, sensibilidad, especificidad, valor predictivo positivo, valor predictivo negativo, análisis de la curva característica operativa del receptor y área bajo la curva característica operativa del receptor. Se utilizarán matrices de confusión para describir la distribución de clasificaciones correctas e incorrectas entre categorías diagnósticas. Para tareas de clasificación multiclase, se pueden reportar métricas de rendimiento promediadas macro y promediadas ponderadas. Para tareas de detección de puntos de referencia anatómicos, el rendimiento del modelo se evaluará utilizando el error radial medio, el error absoluto medio, la tasa de detección exitosa dentro de umbrales de distancia clínicamente significativos y la concordancia con las anotaciones de expertos.

Para tareas de soporte de decisiones relacionadas con el tratamiento, las salidas del modelo se compararán con el juicio clínico de expertos. Las métricas de evaluación incluirán precisión, exactitud, recuperación, puntuación F1, AUC y análisis de curva de decisión.

El personal involucrado en la anotación de imágenes y el procesamiento de datos recibirá formación relevante antes del inicio del estudio. El acceso a información personal identificable estará restringido al personal de investigación autorizado. Los conjuntos de datos de análisis utilizados para el desarrollo del modelo se desidentificarán o seudonimizarán siempre que sea posible.

Se espera que la inscripción planeada de aproximadamente 2000 participantes respalde análisis de subgrupos y pruebas de robustez cuando la distribución de modalidades de imagen y categorías clínicas sea adecuada. Se registrarán datos faltantes, no disponibles, no interpretables o inconsistentes.

Los modelos de inteligencia artificial desarrollados en este estudio están destinados a ayudar a los proveedores de atención médica en el análisis de imágenes craneomaxilofaciales y el soporte de decisiones clínicas. Los modelos no reemplazarán el diagnóstico clínico profesional ni la planificación de tratamiento individualizada por parte de médicos calificados. Cualquier aplicación clínica futura de estos modelos requerirá una mayor validación, revisión clínica y aprobación institucional o regulatoria adecuada.