Modèle IA pour l'appendicite aiguë en tomodensitométrie

Développement des informations du modèle d'annexe

- Cette étude a utilisé un modèle d'information d'appendice (IA) pré-entraîné basé sur un cadre de diagnostic entièrement automatisé pour prédire trois classes avec cartographie de probabilité et de caractéristiques : non-appendicite, appendicite simple et appendicite compliquée.

Le pipeline de modèles IA intégrant les paramètres tirés de l'image CT 3D de 7 147 patients consistait en un algorithme binaire en deux étapes connecté à l'apprentissage par transfert avec trois modèles CNN 3D : DenseNet, EfficientNet et ResNet.

- Un algorithme binaire en deux étapes pour l'apprentissage par transfert a été appliqué pour apprendre des modèles inhérents à partir des images 3D de trois classes réelles, comme le fait un clinicien lorsqu'il décide du traitement de l'appendicite. Dans la première étape du pipeline, un modèle de classification de stade 1 a été développé pour identifier les non-appendicites et les appendicites. Dans la deuxième étape du pipeline, le modèle de classification de l'étape 2 a identifié l'appendicite simple ou compliquée à partir des données transférées avec les paramètres entraînables appris à l'étape 1.

Actuellement, le modèle IA final a été validé en externe à l'aide d'un ensemble de données inédit provenant d'une institution extérieure avec de larges critères d'éligibilité pour les patients qui se sont rendus aux urgences avec des douleurs abdominales et ont subi une tomodensitométrie abdominopelvienne en raison d'une suspicion clinique d'appendicite aiguë.

Intervention Il s'agit d'une étude comparative entre des modèles humains et IA pour le taux d'appendicectomie négative (NAR) dans les appendicites non, simples et compliquées d'un ensemble de données prospectives randomisées, qui a été collecté à partir de tomodensitogrammes de patients ayant visité les urgences avec une pathologie abdominale aiguë. douleur. Les participants du bras témoin étaient dix non-radiologues.

Le modèle IA n'est pas autorisé à entraver le processus de décision préopératoire des cliniciens dans la pratique clinique continue concernant les aspects juridiques et éthiques de l'interrogation des cadres diagnostiques du modèle IA sur le raisonnement mathématique d'un résultat en termes de protection des sujets humains.

Compte tenu du risque minime pour les sujets humains et des aspects éthiques et juridiques de l'intelligence artificielle, la conception de l'étude attribue strictement les images tomodensitométriques aux non-radiologues et aux modèles IA après la fin du traitement de l'appendicite avec ou sans confirmation pathologique.

Allocation de données et évaluation des performances

- Pour comparer le modèle IA aux humains et aux non-radiologues de manière égale, la condition d'interprétation pour un non-radiologue doit répondre à tous les critères suivants : seules les images CT sans variables telles que l'âge, le sexe et les valeurs de laboratoire doivent être attribuées au hasard ; l'affiliation du non-radiologiste et du patient de l'image tomodensitométrique ne doit pas être la même ; le ratio d'attribution pour les appendicites non appendicites, simples et compliquées attribué au non-radiologiste doit être aveugle ; et la plage de l'image CT pour l'interprétation doit être identique à la plage de la ROI pour l'appendice, qui est générée par la localisation automatique du modèle IA. Pour évaluer les performances diagnostiques chez l'homme, quatre éléments de test ont été mis en place par un non-radiologue comme suit : (1) visualisation de l'appendice ; (2) exclusion de l'appendicite ; (3) complications; et (4) le diagnostic des images tomodensitométriques.

Les résultats primaires et secondaires ont été évalués à l'aide des résultats des quatre questions posées aux participants et des performances diagnostiques du modèle IA dans le même ensemble de données.

Déclaration éthique Selon le « Guide d'utilisation des données de santé » et le « Guide de traitement des informations pseudonymes » de la Commission de protection des informations personnelles du ministère de la Santé et de la Protection sociale, l'exfiltration des données avec assurance de sécurité des archives de données a été réalisée avec l'approbation du Comité d'examen des données dans les établissements participants. Le comité central d'examen institutionnel (IRB) et les IRB de toutes les institutions participantes ont approuvé cette étude.

Taille de l'échantillon et méthodes statistiques L'étude antérieure des enquêteurs, qui a complété la validation externe du modèle IA par exfiltration de données d'institutions externes, a montré un NAR de 12,4 % dans l'ensemble de données externes. La valeur de référence standard pour les non-radiologues pour la NAR a été rapportée à 10,5 % ± 5 %. Par conséquent, la différence acceptable de NAR entre le modèle IA et les non-radiologues pour une application clinique devrait être inférieure à 10,0 % de la marge de non-infériorité.

La taille de l'échantillon pour l'ensemble de données contrôlées randomisées pour un seul établissement était de 263 en supposant un intervalle de confiance de 95 %, une puissance statistique de 90 %, un α bilatéral = 0,05, un niveau de signification = 0,05 et une taille d'effet = 0,2 au test Z. . Deux institutions externes ont participé à cette étude. En raison de l'hétérogénéité des données, de la normalisation et des différences de prévalence entre les régions entre les deux institutions externes, la taille de l'échantillon a été calculée pour chaque institution. Par conséquent, en supposant 263 patients par établissement avec une perte de suivi de 10 %, la taille totale de l'échantillon était de 568.