Projet d'algorithme d'apprentissage profond de l'intestin grêle

Introduction.

L'objectif principal de l'étude est d'évaluer la précision de l'algorithme d'apprentissage en profondeur dans la différenciation entre l'iléon terminal normal et anormal par rapport aux radiologues expérimentés sur les images IRM Enterography.

L'étude s'appuie sur des recherches existantes, qui ont montré que les méthodes statistiques peuvent identifier les sites de la maladie de Crohn de l'intestin grêle. Cependant, le processus prenait du temps> 1 heure et n'était pas entièrement automatique. Notre projet étudie si un algorithme de « deep learning » de pointe (basé sur des réseaux de neurones) couplé à une puissance de calcul accrue peut fournir des informations précises et opportunes.

Le projet a été conçu conjointement par des radiologues spécialistes en imagerie gastro-intestinale (conscients des défis liés à l'imagerie précise de la maladie de Crohn) et le département d'informatique de l'Imperial College (expérimentés dans le développement de réseaux de neurones pour l'imagerie médicale). La contribution et l'examen du service de recherche et développement de London North-West sont également reconnus.

Étudier le design.

Conception rétrospective & Recrutement.

L'étude identifiera rétrospectivement les patients éligibles et utilisera une technique d'échantillonnage de cas consécutifs (toutes les images éligibles seront incluses à rebours à partir de la plus récente).

Cette approche rétrospective fait un compromis entre la généralisabilité des résultats étant réduite par rapport à l'étude étant réalisée relativement rapidement et à faible coût (l'étude n'a pas de financement de subvention).

Les enquêteurs sont convaincus de la généralisabilité des résultats, car un objectif de recrutement de 113 cas normaux et 113 cas de maladie iléale terminale devrait couvrir le spectre des apparences normales et anormales (les études précédentes ont utilisé <50 ensembles d'images).

Les cas avec un iléon terminal normal à l'IRM sont inclus car une approche du développement d'algorithmes implique la comparaison des caractéristiques d'imagerie de l'iléon terminal normal et anormal sur les études IRM.

Approche non expérimentale.

La méthode utilise des examens IRM effectués dans le cadre des soins cliniques standard. Aucune imagerie supplémentaire n'est entreprise pour cette étude. Les résultats de l'étude ne changeront pas le(s) traitement(s) actuel(s) que les patients éligibles prennent.

Consentement & confidentialité.

Comme les images utilisées pour le développement de l'algorithme sont entièrement anonymisées, un consentement explicite ne sera pas obtenu. Cela fait suite aux directives des directives du General Medical Council en 2011 et du Royal College of Radiologists (Royaume-Uni) en 2017, qui stipulent que les enregistrements anonymisés peuvent être partagés pour une utilisation dans la recherche sans consentement.

Les images IRM utilisées pour cette étude ont été acquises dans le cadre des soins cliniques standard de routine et seraient régulièrement visualisées par les radiologues participant à cette étude dans le cadre de leur pratique de travail normale.

Dès qu'un patient approprié est identifié, les images du patient seront copiées sous une forme entièrement anonymisée sans identifiants directs ou indirects. Une fonction d'anonymisation robuste est incluse dans le programme de visualisation d'images de radiologie. Les identifiants des sujets de l'étude seront attribués de manière aléatoire, empêchant la pseudo-anonymisation si les scans du même patient à différents moments sont inclus.

Aucune donnée sensible/identifiable du patient ne sera transférée pour le développement d'algorithmes au cours de l'étude. Le développement de l'algorithme est basé sur la mise en correspondance des intensités de pixels IRM avec les scores/annotations de la maladie sur plusieurs scans. L'anonymisation n'affecte pas les pixels de l'image. Seules les données agrégées seront présentées dans les publications, c'est-à-dire que les exemples de cas uniques ne seront pas publiés.

Conflit d'intérêt. Les chercheurs de cette étude ne déclarent aucun conflit d'intérêts.