AI-pohjaisen munasarjakasvainten multimodaalisen diagnoosijärjestelmän perustaminen ja kliininen soveltaminen

Menetelmät/suunnittelututkimuksen tavoite Tämän tutkimuksen ensimmäinen tavoite on rakentaa multimodaalinen munasarjakasvain julkinen tietojoukko, joka sisältää ultraääni-, MRI-kuvia ja kliinisiä indikaattoreita tukemaan tekoälyyn perustuvia tehtäviä. Tämä tietojoukko yhdistää erityyppisiä lääketieteellisiä tietoja kattavan tekoälyanalyysin ja mallikoulutuksen helpottamiseksi. Käyttämällä konvoluutiohermoverkkoteknologiaa (CNN) tutkimuksessa pyritään saavuttamaan älykäs moniluokkainen multimodaalisten kuvien tunnistus. Tämä sisältää piirteiden poimimisen ja analysoinnin kuvaustiedoista ja niiden integroimisesta moniulotteiseen kliiniseen dataan piirretasolla. Tavoitteena on kouluttaa ja validoida apudiagnostiikkamalli, joka pystyy ennustamaan tarkasti vähintään kymmenen yleisintä munasarjakasvainten patologista tyyppiä. Lisäksi tutkimuksessa hyödynnetään yksityisyyttä suojelevaa laskentaa ja yhdistettyjä oppimismenetelmiä mallin monikeskiseen, prospektiiviseen optimointiin ja validointiin. Nämä menetelmät varmistavat tietoturvan ja yksityisyyden samalla kun mahdollistavat yhteistyömallikoulutuksen. Lopullisena tavoitteena on kehittää kliininen apudiagnostiikkajärjestelmä, joka voi ennustaa useimpien munasarjakasvainten patologiset tyypit ja joka voidaan ottaa käyttöön kliinisissä olosuhteissa. Tämän kattavan lähestymistavan tavoitteena on hyödyntää tekoälyteknologian vahvuuksia lääketieteellisessä kuvantamisessa, varmistaa tietoturva ja parantaa munasarjakasvaimen diagnoosin tarkkuutta ja luotettavuutta.

Study Setting Tämä tutkimus tehdään Pekingissä, Kiinassa. Tutkimuskohteet ovat peräisin Beijing Shijitan -sairaalasta, Beijing Friendship Hospital -sairaalasta ja Beijing Obstetrics and Gynecology Hospital -sairaalasta, jotka kaikki ovat sidoksissa Capital Medical Universityyn. Nämä sairaalat tarjoavat monipuolisen potilasjoukon, mikä tukee tutkimustulosten yleistettävyyttä.

Tutkimuskohteet Tutkittavat ovat potilaita, joilla on diagnosoitu munasarjakasvain ja joille on tehty kirurginen hoito. Ennustemallin kehittämiseen käytetyt tapaukset ovat peräisin potilailta, jotka ovat olleet peräkkäin tammikuun 2018 ja tammikuun 2023 välisenä aikana. Kliinisen hakemuksen validointitapaukset kerätään potilailta kesäkuun 2023 ja kesäkuun 2025 välisenä aikana. Tutkimuksen molempien osien mukaanottokriteerit ovat seuraavat: (1) potilaat, joilla on diagnosoitu munasarjakasvaimet ja joille on tehty kirurginen hoito; (2) potilaat, joilla on täydelliset kuvantamistiedot (ultraääni tai MRI) ja kasvainmerkkitulokset, jotka on saatu kolmen kuukauden sisällä ennen leikkausta. Lisäksi toinen osa edellyttää osallistujien tietoista suostumusta. Poissulkemiskriteerit ovat seuraavat: (1) potilaat, joilla on muu kuin munasarjasta peräisin oleva kirurginen patologia; (2) päällekkäiset tapaukset; (3) potilaat, jotka ovat saaneet kemoterapiaa tai sädehoitoa; (4) toistuvat tapaukset; (5) munasarjavaurioiden huonolaatuinen kuvantaminen; ja (6) puutteelliset tapaustiedot.

Etiikka Tutkimusprotokollan on tarkastellut ja hyväksynyt Pekingin Shijitan Hospitalin eettinen komitea, joka on sidoksissa Capital Medical Universityyn. Eettinen hyväksyntänumero on: [anna numero]. Tutkimus toteutetaan Helsingin julistuksen periaatteiden mukaisesti. Mallin kehitysvaihetta varten takautuvalle tapaukselle on myönnetty tietoon perustuvasta suostumuksesta luopuminen. Kliinisen validointivaiheen aikana kaikki osallistujat lukevat tietoisen suostumuslomakkeen ennen tutkimuksen alkamista, suostuvat vapaaehtoisesti osallistumaan ja allekirjoittavat tietoisen suostumuslomakkeen.

Tiedonkeruu Tutkijat keräävät tutkimushenkilöiltä kuvantamistietoja (lantion ultraääni, lantion MRI) ja kliinisiä tietoja (yleiset tiedot, sairaushistoria, sukuhistoria, lääkärintarkastus, laboratoriotutkimukset, patologiset raportit, kliininen diagnoosi jne.). Tämä auttaa rakentamaan multimodaalisen munasarjakasvaimen tietojoukon, jossa on luokittelu- ja segmentointimerkintöjä, mikä tarjoaa AI-tietojoukon tukea myöhempään multimodaalisten munasarjakasvainten diagnostisten mallien kehittämiseen. Tutkimuksen edetessä tutkijoiden tavoitteena on aineiston joustava laajentaminen ja syvälouhinta, standardoitujen protokollien luominen multimodaalisille tietojoukoille ja tehokkaan tiedon jakamisen mahdollistaminen.

Kuvatietojen käsittely, segmentointi ja luokittelumerkintä Tämä projekti käyttää OpenSlide-työkalua kuvien käsittelyyn ja muuttaa niiden kokoa varmistaakseen, että pikselien mitat ovat 300:n kerrannaisia. Kuvat jaetaan myöhemmin 300 × 300 pikselin osiin ja muunnetaan PNG-muotoon. Leesioiden tarkka segmentointi on olennaista tarkan kuvantunnistuksen kannalta. Projektissa on mukana ryhmä gynekologeja sekä Beihangin yliopiston elektroniikka- ja tietotekniikan korkeakoulun asiantuntijoita, jotka käyttävät ammattimaista merkintäohjelmistoa LabelMe kuvien segmentointiin ja luokitusmerkintöihin patologisten tulosten perusteella luoden näin segmentoidun ja luokitellun tietokannan. Esimerkiksi 2D-ultraäänikuvien tapauksessa leesiot segmentoidaan manuaalisesti ja munasarjakasvainten sijainnit merkitään ja muunnetaan vastaaviksi luokitusleikeiksi.

Segmentoinnin tarkkuuden ja tulosten parantamiseksi edelleen tässä tutkimuksessa rakennetaan munasarjakasvainkuvan segmentointiverkkoarkkitehtuuri, joka sisältää monimuotoisen fuusiomoduulin ja monitasoisen menetysfunktion optimoinnin. Yleinen verkkoarkkitehtuuri yhdistää superpikselisegmentoinnin syvään oppimiseen, mikä hyödyntää konvoluutiohermoverkkojen (CNN) vahvoja ominaisuuksien erotuskykyjä parantaakseen reunainformaatiota ja parantaakseen segmentoinnin tarkkuutta.

Tekoälyyn perustuvan munasarjakasvaimen apudiagnoosijärjestelmän rakentaminen, jossa käytetään tekoälyä kuvantunnistukseen Multimodaalisten kuvien (ultraääni ja MRI) syöttämiseksi suoritetaan visuaalinen piirre. Leesioiden luokittelun ja segmentoinnin visuaalisten tehtävien käsittelemiseksi rakennetaan kaksi algoritmimallia: tiheä jäännösrakennemalli ja monitasoinen reunatietoinen rakennemalli. Nämä mallit mahdollistavat patologisten tyyppien älykkään tunnistamisen multimodaalisissa kuvissa

Ennustava malli, joka integroi moniulotteisen strukturoidun datan Ensinnäkin konvoluutiohermoverkkoja käytetään luomaan pikselitason ennustustuloksia (segmentointituloksia) ja tekoälyalgoritmit tarjoavat tekoälyn ennustustuloksia (posterior todennäköisyydet). Myöhemmin posteriorinen todennäköisyysvektori yhdistetään strukturoituihin tietoihin (ikä, päävaiva, sairauden kesto, fyysisen tutkimuksen löydökset, laboratoriotutkimukset ja muut kliiniset indikaattorit). Nämä yhdistetään uudeksi piirrevektoriksi, jota sitten analysoidaan edelleen päätösmallilla (kuten XGBoostilla) munasarjakasvaimen patologisen luokan määrittämiseksi. Malli on koulutettu ja validoitu käyttämällä patologisia tuloksia kultastandardina.

Auxiliary Diagnosis System Multimodaalinen munasarjakasvaimen apudiagnostiikkajärjestelmä on jaettu useille hierarkkisille tasoille. Järjestelmä koostuu neljästä päätasosta alhaalta ylöspäin: 1) Perusmoduuli: Tämä moduuli on ensisijaisesti vastuussa syvän oppimisen päättelykiihdytyksen tarjoamisesta, mikä varmistaa järjestelmän toiminnan edellyttämät perusominaisuudet. 2) Perussovelluskirjasto (perussovelluskirjasto): Tämä kerros tarjoaa keskeiset kirjastot lääketieteellisen tiedon käsittelyyn ja alustan lokien tallentamiseen. 3) Deep Learning Framework (Deep Learning Inference Layer): Se toimii järjestelmän älykkäänä ytimenä ja tarjoaa perustavanlaatuiset syvän oppimiskehykset, jotka ovat välttämättömiä älykkään järjestelmän päättelyyn. Tämä sisältää yleisesti käytetyt neuroverkkopäätelmäkirjastot, jotka tukevat tarkkaa hermoverkkomallin päättelyä eri alustoilla. 4） Sovelluskerros (jaettu sovelluskerrokseen ja komponenttikerrokseen): Tämä kerros tarjoaa tarvittavat palvelut alustajärjestelmälle. Se on suunniteltu joustavaksi ja laajennettavaksi itsenäisesti toimivilla, löyhästi kytketyillä moduuleilla. Kerrokset ovat suhteellisen irrotettuja, ja jokainen tarjoaa itsenäisen toiminnallisuuden. Alustajärjestelmä on suunniteltu alhaalta ylöspäin, ja siinä on käyttäjäystävällinen, ulkoisesti kapseloitu käyttöliittymä, joka mahdollistaa käyttäjän suoran vuorovaikutuksen alustan kanssa.

Multimodaalisella munasarjakasvaimen apudiagnostiikkajärjestelmällä on useita keskeisiä toimintoja. Ensinnäkin se voi lukea ultraääni- ja MRI-kuvia sekä potilastietoja käyttäjän vaatimusten mukaan ja muuntaa muodon tarvittaessa. Sitten se esikäsittelee kuvat ja potilastiedot poistamalla epäolennaiset tiedot, mikä helpottaa myöhempää mallipäätelmää. Leesiontunnistusmoduuli suorittaa sekä luokittelun että segmentoinnin, arvioiden leesion todennäköisyydet ja tunnistaen mahdolliset leesioalueet. Lopuksi tietojen jälkikäsittelymoduuli yhdistää luokitustulosten päätöstason, merkitsee automaattisesti leesioalueita ja luo diagnostisia aputuloksia, jotka ennustavat patologisia tyyppejä yhdistämällä sairauskertomustiedot.

Monikeskus, mahdollinen lisädiagnoosijärjestelmän optimointi ja kliinisen sovelluksen validointi Kolmen tutkimuskeskuksen gynekologisten onkologiaryhmien yhteistyön ansiosta multimodaalinen munasarjakasvainten apudiagnoosijärjestelmä tulee läpi monikeskuksen, prospektiivisen kliinisen sovelluksen, ja kirurgisten patologioiden tuloksia käytetään kultaisena standardina. Multimodaalisen munasarjakasvaimen apudiagnostiikkajärjestelmän diagnostinen suorituskyky, sekä yleisesti että eri patologisten luokkien välillä, arvioidaan pää- ja sivukeskuksissa vertaamalla mittareita, kuten spesifisyys, herkkyys, positiivinen ennustearvo, negatiivinen ennustearvo ja ala-alue. ROC-käyrä (AUC). Järjestelmää validoidaan ja optimoidaan jatkuvasti sen suorituskyvyn parantamiseksi. Preoperatiivisen diagnoosin ja postoperatiivisten patologisten tulosten johdonmukaisuutta verrataan ennen ja jälkeen munasarjakasvaimen apudiagnostiikkajärjestelmän soveltamisen kolmessa tutkimuskeskuksessa, jotta voidaan arvioida apudiagnoosijärjestelmän kliinistä tehokkuutta.

Monikeskus-apudiagnoosijärjestelmän optimointiparadigma, joka perustuu horisontaaliseen liittoutuneeseen oppimiseen. Monikeskus-apudiagnoosijärjestelmän optimointiparadigma, joka perustuu horisontaaliseen yhdistettyyn oppimiseen, sisältää apudiagnoosimallin hallinnan ja jakelun pääkeskuksen toimesta. Muut keskukset käyttävät inkrementaalisia oppimismekanismeja ja käyttävät omia tietojaan lisädiagnostiikkajärjestelmän hienosäätämiseen ja päivitettyjen parametrien toimittamiseen pääkeskukseen. Tämä prosessi varmistaa munasarjakasvainten parannetun älykkään tunnistamisen säilyttäen samalla tietojen yksityisyyden eri keskuksissa. Aluksi pääkeskus rakentaa tekoälyyn perustuvan multimodaalisen munasarjakasvaimen ennustusmallin. Tämä malli salataan ja jaetaan haarakeskuksiin. Haarakeskukset aloittavat mallin optimoinnin saavutettuaan tietyn tietovarannon koon ja täyttäneet huomautusstandardit. Lopuksi mallien hienosäädön jälkeen jokainen keskus lataa päivitetyt parametrit pääkeskukseen. Pääkeskus arvioi mallin suorituskyvyn määrittääkseen, onko malliversioiden iteraatio tarpeen. Jos näin on, päivitetty malli jaetaan uudelleen, jolloin saavutetaan suljettu silmukka horisontaalista yhdistettyä oppimista varten monikeskusmallin optimointia varten.

Tilastollinen analyysi Otoskoon laskeminen

1. Multimodaalisen munasarjakasvaimen apudiagnoosimallin kehitysvaihe Tarvittava otoskoko arvioidaan EPV (Events per Variable) -menetelmällä, joka on kokemukseen perustuva mallien rakentamismenetelmä. Jokainen muuttuja vaatii tyypillisesti 10-20 positiivista tapahtumaa; Tässä tutkimuksessa tutkijat asettivat EPV:ksi 20. Tutkijat odottavat sisällyttävänsä diagnostiseen malliin 20 riippumatonta muuttujaa (ja valemuuttujia), joten tarvitaan 20 * 20 = 400 pahanlaatuista tapausta. Alustavien tietojen mukaan pahanlaatuisten (tosi positiivisten) munasarjakasvainpotilaiden osuus on noin 30 %. Siksi vaadittu otoskoko on yhteensä 400 / 0,30 = 1334 tapausta. Kun otetaan huomioon 20 %:n tiedonhäviösuhde, lopullinen harjoitusjoukon otoskoko on 1667 tapausta. Koulutusjoukko ja validointijoukko noudattavat suhdetta 4:1, jolloin validointijoukon otoskoko on 418 tapausta. Näin ollen vaadittu otoskoko on yhteensä 2084 tapausta, ja jokainen keskus osallistuu yhtä suureen osuuteen.
2. Monikeskus, prospektiivisen järjestelmän kliinisen sovelluksen validointi- ja optimointivaihe Tässä tutkimuksen osassa arvioidaan ensisijaisesti apudiagnoosijärjestelmän kliinisen sovelluksen vaikutusta mittaamalla tarkkuutta. Siksi diagnostisten testien otoskoon laskentakaavaa käytetään.

Se=90% (Diagnostiikkajärjestelmän herkkyys)，Sp=90% (Diagnostiikkajärjestelmän spesifisyys), Tilastollisten ja kliinisten asiantuntijalausuntojen perusteella errABS=5% tarkoittaa odotettua absoluuttista virhettä, α=0,05. Otoskoon laskentakaavan mukaan todellinen positiivinen ryhmä edellyttää 140 tapauksen sisällyttämistä. Alustavien tietojen mukaan pahanlaatuisten (tosi positiivisten) munasarjakasvainpotilaiden osuus on noin 30 %. Siksi vaadittu otoskoko on yhteensä 140 / 0,30 = 467 tapausta. Kun otetaan huomioon 20 prosentin menetys seurantaan, lopullinen otoskoko on 584 tapausta, ja jokainen keskus osallistuu yhtä suureen osuuteen.

Tiedonhallinta Kaikki tiedot rekisteröidään tutkimusta varten suunniteltuun sähköiseen tapausraporttilomakkeeseen (eCRF). Kukin alakeskus perustaa itsenäisen tietokannan, jota hoitaa nimetty henkilöstö. Perustetaan standardoitu tietojen syöttämisen varmennusprosessi, jolla varmistetaan, että tiedot tallennetaan tarkasti ja oikea-aikaisesti tutkimusprotokollan tiukasti mukaisesti. Ladattujen tietojen tarkkuuden ja täydellisyyden tarkistamiseksi suoritetaan säännöllisiä arviointeja. Kunkin keskuksen tietovastaavat tarkistavat eCRF:iin kerätyt tiedot lähdeasiakirjoihin, kuten potilastietoihin, ja tarkistavat tiedonkeruuprosessin. Pääkeskuksen henkilökunta suorittaa määräajoin paikan päällä tarkastuksia kaikissa osallistuvissa keskuksissa varmistaakseen tietojen aitouden. Tutkimuksessa käytetään yksityisyyden laskentateknologiaa varmistamaan kunkin keskuksen tietojen riippumattomuus ja turvallisuus, tarjoamalla palveluita monikeskusmallien optimointiin ja validointiin samalla kun varmistetaan tietojen yksityisyys.

Tietojen analyysi Normaalijakauman jatkuvalle datalle ryhmien väliset vertailut suoritetaan käyttämällä riippumattomien näytteiden t-testiä ja ryhmän sisäiset vertailut parillisen t-testin avulla. Ei-normaalisti jakautuneille jatkuvalle datalle ja järjestysdatalle käytetään Mann-Whitney U -testiä ryhmien välisissä vertailuissa ja Wilcoxonin signed-rank-testiä ryhmän sisäisiin vertailuihin. Järjestämättömissä kategorisissa tiedoissa käytetään ryhmien välisissä vertailuissa khin neliö (χ²) -testiä tai Fisherin tarkkaa testiä ja ryhmien sisäisissä vertailuissa McNemar-testiä. ROC-käyrän alla oleva pinta-ala (AUC) testataan tilastollisesti käyttämällä DeLong-testi ja herkkyys ja spesifisyys lasketaan Jeffreysin intervallin avulla. Kun otetaan huomioon samojen kohteiden välinen korrelaatio, ryhmien välisissä vertailuissa käytetään GEE (Generalized Estimate Equation) -menetelmää, joka on korjattu keskipistevaikutuksilla. Muiden indikaattoreiden analyysissä noudatetaan samaa menetelmää kuin perusanalyysissä.