Tutkimus syväoppimiseen perustuvasta älykkäästä diagnostiikasta ja hoidosta

Tämä tutkimus on kuvantamispohjainen kliininen tekoälytutkimus, jonka tavoitteena on kehittää, kouluttaa ja validoida syväoppimismalleja kraniomaksillofakiaaliseen monimuotokuvantamisanalyysiin ja älykkääseen kliiniseen päätöksenteon tukeen. Tutkimukseen on suunniteltu osallistuvan noin 2000 henkilöä. Kaikilta osallistujilta kerätään kraniomaksillofakiaalisia kuvausaineistoja ja niihin liittyviä kliinisiä tietoja rutiininomaisen hammashoidon, oikomishoidon, suu- ja leukakirurgian tai muun niihin liittyvän kliinisen hoidon aikana.

Tässä tutkimuksessa käytetyt kuvausaineistot voivat sisältää kaksiulotteisia kasvovalokuvia, kartiokeilatietokonetomografiakuvia ja kolmiulotteisia kasvojen pintaskannauksia. Asiaan liittyvät kliiniset tiedot voivat sisältää demografisia tietoja, kliinisen diagnoosin, luuston- ja hampaiston luokituksen, kefalometriset mittaukset, hoitoon liittyvät tiedot ja saatavilla olevat asiantuntija-arviot. Tässä tutkimuksessa keskitytään tekoälymallien kehittämiseen kraniomaksillofakiaalisten kuvien luokittelua, anatomisten maamerkkien havaitsemista, alueellista segmentointia, poikkeavuuksien tunnistamista ja hoitoon liittyvää päätöksenteon tukea varten.

Ennen mallien kehitystä kaikki kuvausaineisto standardoidaan esikäsitellään. Esikäsittelytoimenpiteet voivat sisältää kuvien anonymisoinnin, laadunarvioinnin, muodonmuunnoksen, kuvan suuntauksen korjaamisen, rajaamisen, resoluution standardoinnin, harmaasävy- tai intensiteettinormalisoinnin, spatiaalisen rekisteröinnin ja kiinnostavan alueen erottamisen. Kaksiulotteisille kuville määritellään standardoidut kasvojen tai radiografiset alueet kuvantamistehtävän mukaisesti. Kartiokeilatietokonetomografian ja kolmiulotteisten kasvojen pintatietojen esikäsittely voi sisältää tilavuusrekonstruktion, pintarekonstruktion, verkon käsittelyn, pistepilvien käsittelyn tai anatomisten rakenteiden erottamisen.

Viiteosoitteet saadaan kliinisistä potilaskertomuksista, lääkärin diagnooseista ja asiantuntijoiden manuaalisista merkinneistä. Segmentointitehtävissä anatomiset alueet tai rakenteet merkitsevät manuaalisesti koulutetut kliinikot tai kalibroidut tutkijat. Maamerkkien havaitsemistehtävissä etukäteen määritellyt anatomiset maamerkit merkitään standardoitujen kraniomaksillofakiaalisten mittausprotokollien mukaisesti. Luokittelutehtävissä luustonnalli, hampaiston suhde, kraniomaksillofakiaalisen morfologian luokka tai muut kliinisesti merkitykselliset luokittelumerkit määritellään asiantuntija-arvion perusteella. Arvioijien välistä ja sisäistä yhdenmukaisuutta arvioidaan manuaalisten merkiintöjen ja kliinisten luokittelujen luotettavuuden varmistamiseksi.

Noin 2000 henkilön aineisto jaetaan harjoitus-, validointi- ja testausaineistoiksi. Seitsemänkymmentä prosenttia aineistosta käytetään mallien kouluttamiseen, 15 % kelpoisuuden arviointiin ja 15 % riippumattomaan testaamiseen.

Syväoppimismallit sisältävät konvoluutiohermoverkot, huomiomekanismeihin perustuvat mallit ja monitehtäväoppimismallit. Mallien kehitys sisältää hyperparametrien optimoinnin, regularisoinnin, aineiston lisäämisen ja suorituskyvyn seurannan validointiaineiston perusteella.

Kuvien segmentointitehtävissä suorituskykyä arvioidaan segmentointitarkkuusmittareilla, kuten DICE-yhdennäköisyyskertoimella, leikkaus summaan -suhteella, pikselitason tarkkuudella, herkkyydellä, spesifisyydellä ja tarvittaessa reunaväliestimääriteetillä, kuten Hausdorffin etäisyys ja keskimääräinen pintaeitaisyys. Kuvien luokittelun ja diagnostisen tunnistuksen tehtävissä suorituskykyä arvioidaan tarkkuudella, täsmällisyydellä, saannolla, F1-pisteillä, herkkyydellä, spesifisyydellä, positiivisella ennusarvolla, negatiivisella ennusarvolla, vastaanottajan toimintakäyrä-analyysilla ja käyrien alaisella pinta-alalla. Sekaannusmatriiseja käytetään kuvaamaan oikeiden ja virheellisten luokittelujen jakaumaa diagnoosiluokittain. Moniluokkaluokittelutehtävissä voidaan raportoida keskiarivoituja ja painotettuja suorituskykymittareita.
Anatomisten maamerkkien havaitsemistehtävissä suorituskykyä arvioidaan keskimääräisellä virheellisellä etäisyydellä, keskimääräisellä absoluuttisella virheellä, onnistumistodennäköisyydellä kliinisesti tarkoituksenmukaisella etäisyysvyöhykkeellä ja asiantuntijoiden merkintöjen yhdenmukaisuudella.

Hoitoon liittyvissä päätöksenteon tukitehtävissä mallien tuotosta verrataan asiantuntijoiden kliiniseen arviointiin. Arviointimetriikoita ovat tarkkuus, täsmällisyys, saanto, F1-pisteyty, AUC and päätöskäyräanalyysi.

Kuvien merkintään ja aineiston käsittelyyn osallistuva henkilökunta saa asiaankuuluvan koulutuksen ennen tutkimuksen alkua. Pääsy tunnistettaviin henkilötietoihin rajoitetaan vain valtuutetut tutkimushenkilöstön.