IA-malli akuutin umpilisäkkeen tulehdukselle TT:ssä

Liitemallin tiedon kehittäminen

- Tässä tutkimuksessa käytettiin täysin automatisoituun diagnostiseen viitekehykseen perustuvaa esikoulutettua umpilisäkkeen (IA) mallia, jolla ennustettiin kolme luokkaa todennäköisyys- ja ominaisuuskartoituksella: ei-umpilisäkkeentulehdus, yksinkertainen umpilisäkkeentulehdus ja monimutkainen umpilisäkkeentulehdus.

7 147 potilaan 3D-CT-kuvasta opittujen parametrien IA-mallin upottaminen koostui kaksivaiheisesta binäärialgoritmista, joka oli yhdistetty siirtooppimiseen kolmella 3D-CNN-mallilla: DenseNet, EfficientNet ja ResNet.

- Kaksivaiheista binaarialgoritmia siirtooppimiseen sovellettiin luontaisten kuvioiden oppimiseen kolmen todellisen luokan 3D-kuvista, kuten kliinikko tekee päättäessään umpilisäkkeen tulehduksen hoidosta. Valmistelun ensimmäisessä vaiheessa kehitettiin vaiheen 1 luokittelumalli tunnistamaan ei-umpilisäkkeen ja umpilisäkkeen tulehdus. Liukulinjan toisessa vaiheessa vaiheen 2 luokitusmalli tunnistaa yksinkertaisen vs. monimutkaisen umpilisäkkeen tulehduksen siirretystä tiedosta vaiheessa 1 opituilla koulutettavilla parametreilla.

Tällä hetkellä lopullinen IA-malli on validoitu ulkoisesti käyttämällä ennennäkemätöntä tietoaineistoa ulkopuolisesta laitoksesta, jolla on laajat kelpoisuuskriteerit potilaille, jotka vierailivat ensiapupoliklinikalla vatsakipujen vuoksi ja joille tehtiin vatsa-lantion CT akuutin umpilisäkkeen tulehduksen kliinisen epäilyn vuoksi.

Interventio Tämä on vertaileva tutkimus ihmis- ja IA-mallien välillä negatiivisesta appendektomiasta (NAR) ei-, yksinkertaisessa ja monimutkaisessa umpilisäkkeessä prospektiivisessa satunnaistetussa tietojoukossa, joka kerättiin potilaiden TT-skannauksista, jotka vierailivat ensiapupoliklinikalla akuutin vatsan kanssa. kipu. Kontrolliryhmään osallistui kymmenen ei-radiologia.

IA-malli ei saa haitata kliinikkojen preoperatiivista päätöksentekoprosessia käynnissä olevassa kliinisessä käytännössä koskien IA-mallin diagnostisten viitekehysten tutkimisen oikeudellisia ja eettisiä näkökohtia matemaattisten perustelujen perusteella ihmisten suojelun kannalta.

Kun otetaan huomioon minimaalinen riski ihmisille sekä tekoälyn eettiset ja oikeudelliset näkökohdat, tutkimuksen suunnittelussa TT-kuvat jaetaan tiukasti ei-radiologeille ja IA-malleille umpilisäkkeen hoidon päätyttyä patologisen vahvistuksen kanssa tai ilman.

Tiedon allokointi ja suorituskyvyn arviointi

- Jotta IA-mallia voitaisiin verrata yhtäläisesti ihmisiin ja ei-radiologeihin, tulkintaehdon ei-radiologille tulee täyttää kaikki kriteerit seuraavasti: Vain CT-kuvat, joissa ei ole sellaisia ​​muuttujia kuin ikä, sukupuoli ja laboratorioarvot, tulisi määrittää satunnaisesti; ei-radiologin ja TT-kuvan potilaan kuuluvuus ei saa olla sama; ei-radiologille osoitettu ei-umpilisäkkeen, yksinkertaisen ja monimutkaisen umpilisäkkeen jakosuhde on sokea; ja tulkintaan käytettävän CT-kuvan alueen tulee olla identtinen liitteen ROI-alueen kanssa, joka syntyy IA-mallin automaattisella lokalisoinnilla. Diagnostisen suorituskyvyn arvioimiseksi ihmisillä ei-radiologi asetti neljä testikohdetta seuraavasti: (1) umpilisäkkeen visualisointi; (2) umpilisäkkeen tulehduksen poissulkeminen; (3) komplikaatioita; ja (4) CT-kuvien diagnoosi.

Ensisijaisia ​​ja toissijaisia ​​tuloksia arvioitiin käyttämällä osallistujien neljän kysymyksen tuloksia ja IA-mallin diagnostista suorituskykyä samassa aineistossa.

Eettinen lausunto Terveys- ja hyvinvointiministeriön henkilötietojen suojatoimikunnan ohjeiden "Terveydenhuollon tietojen hyödyntämisopas" ja "Salanimitietojen käsittelyopas" mukaan tietojen suodatus tietoarkiston turvallisuusvarmistuksella suoritettiin viraston suostumuksella. Osallistuvien laitosten tietojen tarkistuslautakunta. Keskitetty institutionaalinen arviointilautakunta (IRB) ja kaikkien osallistuvien laitosten IRB:t hyväksyivät tämän tutkimuksen.

Otoskoko ja tilastolliset menetelmät Tutkijoiden aiempi tutkimus, joka sai päätökseen IA-mallin ulkoisen validoinnin ulkopuolisten instituutioiden tietojen erittelyn avulla, osoitti ulkopuolisen tietojoukon NAR:ksi 12,4 %. Ei-radiologien standardiviitearvo NAR:lle on raportoitu olevan 10,5 % ± 5 %. Siksi hyväksyttävän eron NAR:ssa IA-mallin ja ei-radiologien välillä kliiniseen käyttöön tulee olla alle 10,0 % non-inferiority-marginaalista.

Yhden laitoksen satunnaistetun kontrolloidun tietojoukon otoskoko oli 263 olettaen 95 %:n luottamusväli, tilastollinen teho 90 %, kaksipuoleinen α = 0,05, merkitsevyystaso = 0,05 ja vaikutuksen koko = 0,2 Z-testissä. . Kaksi ulkopuolista laitosta osallistui tähän tutkimukseen. Tietojen heterogeenisyyden, normalisoinnin ja esiintyvyyden erojen vuoksi kahden ulkoisen laitoksen välillä otoskoko laskettiin kullekin laitokselle. Näin ollen olettaen, että laitosta kohden on 263 potilasta, joiden seurannan menetys on 10 %, kokonaisotoskoko oli 568.