Tekoälyyn perustuva koneoppiminen adenomyoosin diagnosoimiseksi ja luokittelemiseksi ultraäänitutkimuksista: monikeskusmallin kehitystutkimus

Tausta: Adenomyoosi on hyvänlaatuinen gynekologinen tila, jolle on tunnusomaista kohdunulkoisen endometriumin solut (kohdun limakalvon solut) myometriumissa (kohdun lihaskerros). Vaikka adenomyoosia esiintyy maailmanlaajuisesti naisilla ja tytöillä kaikissa elämänvaiheissa, teini-iästä perimenopaussiin, se on edelleen alidiagnosoitu. Adenomyoosia sairastavat naiset kokevat heikentäviä oireita, kuten runsasta kuukautisvuotoa, kivuliaita kuukautiskiertoja, kroonista lantion kipua ja epäsuotuisia raskaustuloksia, jotka vaikuttavat pitkällä aikavälillä heidän elämänlaatuunsa.

Adenomyoosin diagnosointi ja luokittelu ei ole olennaista vain korreloitaessa oireiden vakavuuden kanssa, vaan myös neuvottaessa naisia ​​sairauden ennusteesta, hoidon tyypistä ja adenomyoosin tulosten pitkän aikavälin vaikutuksista. Vakavuuden luokittelu ei kuitenkaan ole vain aikaa vievä ja monimutkainen prosessi, vaan se riippuu myös käyttäjän kokemuksesta ja on subjektiivista. Olisi todennäköisesti hyödyllistä saavuttaa samat tulokset murto-osassa aikaa pienemmällä operaattorin harhalla, riippumatta operaattorin asiantuntemuksesta.

Kuvien luokittelutehtävissä koneoppimisella (ML) on valtava potentiaali auttaa terveydenhuollon ammattilaisia ​​luokittelemaan adenomyoosin vakavuuden objektiivisesti sekunneissa. Deep learning -kehys ja automatisoitu koneoppimistyökalu ovat huippuluokan työkaluja automaattiseen transvaginaaliseen ultraäänikuvaan (TVUS) -kuvaanalyysiin. Se voi suoraan prosessoida ja oppia automaattisesti keskitason ja korkean tason abstrakteja piirteitä, jotka on saatu ultraäänikuvista käyttämällä syvän arkkitehtuurin mallia ilman, että ominaisuudet on määritettävä manuaalisesti etukäteen. Tämä mahdollistaa koneoppimismallin kouluttamisen, testaamisen ja validoimisen luokitusta varten merkityillä esimerkkikuvilla

Tutkimuksen tavoitteena on käyttää annotoituja ultraäänikuvia normaalista kohdusta ja vaihtelevan vakavuuden omaavasta adenomyoosista hermoverkoston kouluttamiseen käyttämällä valvottua syväoppimista, joka ennustaa, kuuluuko syöttökuva johonkin seuraavista luokista: ei mitään, lievä, kohtalainen tai vaikea adenomyoosi. Tämä on uusi projekti, ja se voi auttaa kliinikoita ja sonographeja arvioimaan adenomyoosin vakavuutta vain murto-osassa aikaa tulevaisuudessa.

Tavoite: Tutkia kuvantunnistusmallin käyttöä käyttämällä ohjattua syväoppimista automatisoidun koneoppimistyökalun (Vertex AI) ja syväoppimiskehyksen (Pytorch) avulla algoritmin luomiseksi adenomyoosin vakavuuden ultraääniluokittelulle.

Tutkimuksen suunnittelu ja asetukset:

Tutkimuksen tyyppi: Tämä on monikeskushavainnollinen kohorttitutkimus. APPRAISE-AI ja Prediction malli Risk Of Bias Assessment Tool - Artificial Intelligence (PROBAST-AI) -työkaluja on viitattu protokollakehitykseen.

Asetukset: Ultraäänikuvat potilaista, joilla on normaali kohtu ja adenomyoosi, noudetaan kymmenestä CARE-hedelmällisyyskeskuksesta Isossa-Britanniassa. Tämä sisältäisi CARE Fertility -sivustot Birminghamissa, Tamworthissa, Nottinghamissa, Northamptonissa, Sheffieldissä, Leedsissä, Manchesterissa, Boltonissa, Cheshiressä ja Liverpoolissa.

Populaatio: Tutkimuskohortti koostuu ultraäänikuvista potilaista, jotka osallistuivat CARE-hedelmällisyyskeskuksiin ultraäänitutkimukseen helmikuun 2022 ja helmikuun 2024 välisenä aikana ja joilla diagnosoitiin normaali kohtu ja adenomyoosi käyttämällä MUSA-kriteereitä kuvien seulonnassa. MUSA-kriteerit hahmottelevat myometriumin ja myometriumileesioiden ultraäänipiirteet standardoitujen termien, määritelmien ja mittausten avulla.

Aiemmin julkaistua kaavamaista adenomyoosin vakavuuden kartoitusjärjestelmää käytetään kohdun adenomyoosin vakavuuden määrittämiseen kuvien tarkastelun perusteella. Tämä on valittu toistettavuuden, huomattavasta lähes täydelliseen tarkkailijoiden välisen sopimussuhteen ja kliinisen korrelaation vuoksi oireiden vakavuuden kanssa. Jokaiselle arvosanalle annetaan pisteet 1–4, ja taudin laajuuden laskemiseen käytetään pistelukujen summaa: lievä (1–3), keskivaikea (4–6) ja vaikea (> 7). . Kesto: Ultraääni suoritettu helmikuun 2022 ja helmikuun 2024 välisenä aikana Näytteen koko: Vertex AI Visionin harjoitteluun vaadittava vähimmäiskuvamäärä on 100 luokkaa kohden. Luokan onnistuneen tunnistamisen todennäköisyys kasvaa korkealaatuisten esimerkkien määrän myötä. Tavoitenäytteen koko adenomyoosin luokittelualgoritmin testaamiseksi on 1 000–10 000 kuvaa kukin ei yhtään, lievän, keskivaikean ja vaikean adenomyoosin osalta. Täydellinen kuvasarja jaetaan tasaisesti luokituskategorioiden kesken. ei kuitenkaan välttämättä ole mahdollista hankkia suunnilleen yhtä suurta määrää kuvia jokaisesta luokasta. Täydellinen tietojoukko jaetaan manuaalisesti kahdeksi eri tietojoukoksi suhteessa 9:1. 90 % valituista kuvista käytetään harjoitustietoaineistona (harjoittelu + validointi) ja 10 % testitietoaineistona. Tämä varmistaa monipuolisten ja edustavien kuvien riittävän sisällyttämisen jokaiseen kategoriaan. Testiaineisto on itsenäinen tietojoukko, jota ei käytetä koulutusvaiheessa, vaan se saadaan samasta laitoksesta kuin koulutusvaiheessa käytetyt tiedot.

Poikkeamien mahdollisen vaikutuksen minimoiminen: Kaikki tallennetut normaalista ja adenomyoottisesta kohdusta tallennetut ultraäänikuvat seulotaan gynekologisesta ja hedelmällisyysskannauksesta kokeneen arvioijan toimesta, joka sokeutuu näkemään naisten perusominaisuudet tunnistamisen ja rekrytointiharhan välttämiseksi. Kaksi arvioijaa luokittelee itsenäisesti adenomyoosin vakavuuden lievään, keskivaikeaan ja vaikeaan 1 000 kuvasarjan osalta yhdenmukaisuuden varmistamiseksi.

AI-ohjelmiston tiedot:

Koneoppimisen tyyppi Valvottu syväoppiminen: Valvotussa oppimisessa kone tarvitsee merkittyjä esimerkkejä oppiakseen. Tutkimuksen tavoitteena on opettaa kone tunnistamaan eri vaikeusasteista ultraäänidiagnosoitua adenomyoosia. Ultraäänikuvat, joissa on merkintä "Ei mitään", "Mield", "Keskitaso" ja "Vakava" ladataan syötteeksi. Esimerkkejä tutkimalla algoritmi oppii tunnistamaan, mikä erottaa normaalin kohtun lievästä adenomyoosista ja lievän vaikeaasteisesta adenomyoosista ja määrittämään oikean luokituksen jokaiselle uudelle kuvalle, jota sitä pyydetään analysoimaan.

Kehyksen tyyppi ja versio: Google Cloud Vertex AI Vision API V1 automaattisena koneoppimistyökaluna ja Pytorchin viimeisin versio syvällisenä koneoppimiskehyksenä.

Syöttötietojen hankinta ja valinta: Mallin syöttötiedot haetaan niiden potilaiden ultraäänikuvista, jotka kävivät yllä mainituissa hedelmällisyyskeskuksissa ultraäänitutkimuksessa helmikuun 2022 ja helmikuun 2024 välisenä aikana ja joilla todettiin kuvien seulonnassa normaali kohtu ja adenomyoosi. Sopivat ultraäänikuvat adenomyoottisen kohtun osallistujista erotetaan kaksiulotteisina (2D) ja/tai kolmiulotteisina (3D) kuvina, kun potilastunnisteet on poistettu. Jos potilaalla on useampi kuin yksi kuva adenomyoottisesta tai normaalista kohdusta, kaikki nämä kuvat otetaan mukaan. Arvioija tarkistaa nämä kuvat vääristymisen riskin vähentämiseksi, ja ne muotoillaan sen varmistamiseksi, että ne sisältävät kuvassa kiinnostavan adenomyoosi-ultraäänen. Kaksi ultraäänidiagnoosista ja adenomyoosin luokittelusta kokenutta arvioijaa merkitsee nämä tarkistetut ja muotoillut kuvat "ei mitään", lievä, kohtalainen ja vaikea. Kolme syöttökuvasarjaa ladataan koneoppimiskehykseen:

1. Harjoitussarja: 80 % kuvatiedoista on harjoitussarjassa. Malli "näkee" ja aluksi oppii näistä tiedoista.
2. Validointisarja: Validointijoukko on myös osa koulutusprosessia, mutta se pidetään erillään mallin hyperparametrien virittämiseksi. 10 % kaikista opetustietojoukosta poikkeavista kuvista käytetään mallin rakenteen hienosäätämiseen niin, että se voi yleistää paremmin.
3. Testisarja: Testisarja tulee lavalle vasta harjoitusprosessin jälkeen. Sitä käytetään mallin suorituskyvyn testaamiseen tiedoilla, joita se ei ole vielä nähnyt. 10 % kaikista kuvista käytetään testisarjana. Merkitsemättömät testikuvat ladataan järjestelmään ja tekoälyn (AI) mallin suorituskykyä verrataan standardiin eli tutkijoiden alkuperäiseen luokitukseen. Kokonaiskuvadatan jakaminen harjoitussarjaan, validointisarjaan ja testisarjaan tehdään manuaalisesti. Huonolaatuisen tai puutteellisen syöttödatan käsittely: Nämä kuvat jätetään pois.

Kelpoisuusehdot:

Sisällytä:

A. Osallistujat: Naiset, jotka käyvät yllä mainitussa hedelmällisyyskeskuksessa ultraäänitutkimuksessa helmikuun 2022 ja helmikuun 2024 välisenä aikana mistä tahansa indikaatiosta ja joilla on diagnosoitu normaali kohtu ja adenomyoosi ultraäänitutkimuksessa kuvien seulonnassa.

B. Syöttötiedot: Hyvälaatuisia ja vakuuttavia 2D- ja/tai 3D-kuvia normaalista kohtusta ja adenomyoottisesta kohdusta, joissa adenomyoosin ultraääniominaisuudet ovat selvästi näkyvissä.

Poissulkeminen:

A. Osallistujat: Naiset, joilla on samanaikaisesti yksi tai useampi intramuraalinen fibroidi ja kohdun limakalvon ontelon poikkeavuuksia.

B. Syöttötiedot: Epäselvä ultraääni arvioijan arvioinnin perusteella, huonolaatuiset kuvat, joissa adenomyoosin ultraääniominaisuudet ovat epäselviä ja kuvat, joita ei voida luokitella johonkin neljästä kategoriasta, jätetään pois.

Suostumus:

Tutkimus on puhtaasti havainnollistava ilman interventiota tai lisävaihetta osana tutkimusta. Ultraäänikuvat normaalista ja adenomyoottisesta kohdusta olisi otettu silloin, kun naisella on TVUS, joka on osa rutiininomaista kliinistä käytäntöä. Koska ultraäänilaite mahdollistaa kuvien viennin ilman potilaan tunnistetietoja, tiedoista (jotka sisältävät vain ultraäänikuvat) potilaan tunnistetiedot (nimi ja syntymäaika) poistetaan ennen tietojen poimimista. NHS Health Research Authority Confidentiality Advisory Groupin (CAG) hakemusta edeltävän tarkistuslistaan ​​on viitattu määrittämään tämän projektin kelpoisuus käsitellä potilastietoja ilman suostumusta. Tästä syystä tutkimukseen osallistujilta ei pyydetä tietoista suostumusta, koska käytetään vain jo saatavilla olevia anonymisoituja tietoja.

Tulos ja tilastollinen analyysi

Ensisijaiset tulokset: Keskimääräinen tarkkuus (positiivinen ennustearvo), tarkkuus, palautus, vastaanottimen toimintakäyrän alla oleva pinta-ala (AUC), herkkyys, spesifisyys ja tarkkuus ovat ensisijaiset mielenkiintoiset tulokset automaattiselle ja syvälle koneoppimismallille. Kaikki analyysit tehdään käyttämällä Stata Statistical Softwarea (Release 18, TX, USA) syvään koneoppimisen (ML) puitemalliin ja käyttämällä automaattista koneoppimisohjelmistoa automatisoituun ML-malliin. Kun automaattinen malli on koulutettu, yksityiskohtainen analyysi, joka koostuu mallin suorituskyvyn yhteenvedosta, joka raportoidaan (mallin tulos). Se sisältää seuraavat:

• Pistekynnys: Pistekynnys viittaa luotettavuustasoon, joka mallilla on oltava määrittääkseen luokan testikohteeseen. Google Cloud -konsolin pistekynnyksen liukusäädin on visuaalinen työkalu, jolla testataan eri kynnysarvojen vaikutusta kaikissa tietojoukon luokissa ja yksittäisissä luokissa. Arvioinnin aikana otetaan käyttöön pistekynnys, joka tarjoaa hyvän tasapainon väärien positiivisten ja väärien negatiivisten välillä.
• Oikeita positiivisia, todellisia negatiivisia, vääriä positiivisia ja vääriä negatiivisia
• Tarkkuus ja muistaminen: Kaikista testikuvista, joille oli määritetty luokka, tarkkuus osoittaa, kuinka monta todellisuudessa piti luokitella kyseisellä tarralla, ja muistaminen osoittaa, kuinka monelle kuvalle todella oli annettu nimike. Viitestandardin etiketti viittaa tutkijoiden luokitteluun.
• Tarkkuus/palautuskäyrät

Toissijainen tulos: Kahden arvioijan välisen vuorovaikutuksen arviointi adenomyoosin ultraääniarvioinnissa Fleissin kappaa käyttäen. Sopimuksen vahvuuden tulkinnassa käytettävät K-kertoimet ovat: ≤ 0 = huono, 0,01 - 0,20 = lievä, 0,21 - 0,40 = kohtalainen, 0,41 - 0,60 = kohtalainen, 0,61 - 0,80 = olennainen ja 0,81 = lähes täydellinen .

Tietojen käsittely ja tallentaminen: Tiedot (tunnisteettomia ultraäänikuvia) tallennetaan Google Cloudiin vuoden 2018 tietosuojalain mukaisesti.

Sopivat ultraäänikuvat normaaleista ja adenomyoottisista kohtuista poimitaan 2D- ja/tai 3D-kuvina potilastunnisteiden poistamisen jälkeen. Tutkimuksen päätyttyä Google Cloudiin tallennetut kuvat poistetaan.

Laadunvalvonta ja -varmistus: Hyvän kliinisen käytännön periaatteita noudatetaan koko tutkimuksen ajan.

Haittavaikutuksista ilmoittaminen: Ottaen huomioon tutkimuksen havainnoiva luonne eikä tutkimuksen suunnitteluun liity muita lisävaiheita kuin TVUS-perustason, asiaan ei liity turvallisuusnäkökohtia.

Eettiset näkökohdat:

Eettinen hyväksyntä on saatu paikalliselta Institutional Review Boardilta (IRB) ja CARE Fertilityn tutkimus- ja kehitystiimiltä.

Luottamuksellisuus ja tietosuoja: Tutkimukseen osallistuneiden tunnistamiseen käytetään yksilöllistä kuvan tunnistenumeroa. Kaikki tutkimuksessa käytetyt henkilötiedot käsitellään vuoden 2018 tietosuojalain mukaisesti ja niitä pidetään ehdottoman luottamuksellisina.

Rahoitus: Tämän hankkeen varat on hankittu Tommy's National Center for Magcarriage Research -keskuksesta, Birmingham, Yhdistynyt kuningaskunta.

Eturistiriidat: Tähän tutkimukseen ei liity eturistiriitoja.

Muutokset: Päätutkija tekee aloitteen kaikki muutokset tutkimuspöytäkirjaan tai -dokumentaatioon. Kaikki olennaiset muutokset toimitetaan IRB:lle hyväksyttäväksi, minkä jälkeen muutokset toteutetaan kaikissa tutkimukseen osallistuvissa kohteissa. Muutokset dokumentoidaan tutkimusprotokollan "Protokollan muutos" -osiossa.

Hankkeen määrittelyn loppu: Tiedonkeruu ja valmistelu, mallin koulutus ja arviointi sekä käsikirjoituksen kirjoittaminen kestää 12 kuukautta.

Tulevaisuuden tutkimusnäkökohdat: Pitkän aikavälin tavoitteena on analysoida tätä sisäisesti validoitua tekoälymallia ulkoista validointia varten kansallisen terveyspalvelun (NHS) ulkoisissa keskuksissa käyttämällä arkistoitujen kuvien PACS-järjestelmää ja korreloida se kohdunpoistonäytteiden histopatologiaan. Tämä sisältäisi myös kliinisen hyödyn analysoinnin arvioimalla mallin vaikutusta päätöksentekoon ja tuloksiin. Jos mallin suorituskyky on positiivisen ennustusarvon, tarkkuuden ja kliinisen hyödyn kannalta asianmukainen, se otetaan käyttöön reaaliaikaiseen käyttöön online-ennusteen avulla. Mallia voidaan käyttää luokittelupyyntöihin online-hakemuksen muodossa tai ultraäänilaitteisiin integroituna sovelluksena.

Julkaisupolitiikka: Tutkimuksen tulokset jaetaan tieteellisen ja sosiaalisen median kautta. Tutkimustulokset toimitetaan vertaisarvioituun julkaisuun gynekologisen ultraäänitutkimuksen (Ultrasound in Obstetrics and Gynecology (UOG)) ja digitaalisen terveyden (The Lancet Digital Health). Käsikirjoituksen valmistelee tohtori Ishita Mishra ja kirjoittaja määräytyy sen mukaan, kuinka paljon henkilö on osallistunut käsikirjoituksen tutkimiseen ja kirjoittamiseen.