Établissement et application clinique d'un système de diagnostic multimodal basé sur l'IA pour les tumeurs ovariennes

Méthodes/Conception Objectif de l'étude Le premier objectif de cette étude est de construire un ensemble de données publiques multimodales sur les tumeurs ovariennes qui comprend des échographies, des images IRM et des données d'indicateurs cliniques pour prendre en charge les tâches basées sur l'IA. Cet ensemble de données intégrera divers types de données médicales pour faciliter une analyse complète de l’IA et la formation de modèles. En utilisant la technologie des réseaux neuronaux convolutifs (CNN), l’étude cherche à parvenir à une reconnaissance multiclasse intelligente des images multimodales. Cela implique d'extraire et d'analyser des caractéristiques à partir de données d'imagerie et de les intégrer à des données cliniques multidimensionnelles au niveau des caractéristiques, dans le but de former et de valider un modèle de diagnostic auxiliaire capable de prédire avec précision au moins les dix types pathologiques de tumeurs ovariennes les plus courants. De plus, l'étude utilisera l'informatique préservant la confidentialité et les méthodes d'apprentissage fédéré pour mener une optimisation et une validation multicentriques et prospectives du modèle. Ces méthodes garantiront la sécurité et la confidentialité des données tout en permettant la formation de modèles collaboratifs. L'objectif ultime est de développer un système de diagnostic auxiliaire clinique capable de prédire les types pathologiques de la plupart des tumeurs ovariennes et d'être mis en œuvre en milieu clinique. Cette approche globale vise à exploiter les atouts de la technologie de l’IA en imagerie médicale, garantissant la sécurité des données tout en améliorant la précision et la fiabilité du diagnostic des tumeurs ovariennes.

Contexte de l'étude Cette étude est menée à Pékin, en Chine. Les sujets de l'étude proviennent de l'hôpital Shijitan de Pékin, de l'hôpital de l'amitié de Pékin et de l'hôpital d'obstétrique et de gynécologie de Pékin, tous affiliés à la Capital Medical University. Ces hôpitaux offrent une population de patients diversifiée, ce qui conforte la généralisabilité des résultats de l'étude.

Sujets d'étude Les sujets d'étude sont des patientes diagnostiquées avec des tumeurs ovariennes qui ont subi un traitement chirurgical. Les cas utilisés pour développer le modèle prédictif proviennent de patients recrutés consécutivement entre janvier 2018 et janvier 2023. Les cas de validation d'applications cliniques seront collectés de manière prospective auprès de patients entre juin 2023 et juin 2025. Les critères d'inclusion pour les deux parties de l'étude sont les suivants : (1) patientes diagnostiquées avec des tumeurs ovariennes ayant subi un traitement chirurgical ; (2) patients disposant de données d'imagerie complètes (échographie ou IRM) et de résultats de marqueurs tumoraux obtenus dans les trois mois précédant la chirurgie. De plus, la deuxième partie nécessite le consentement éclairé des participants. Les critères d'exclusion sont les suivants : (1) patientes présentant une pathologie chirurgicale non d'origine ovarienne ; (2) cas en double ; (3) les patients ayant reçu une chimiothérapie ou une radiothérapie ; (4) cas récurrents ; (5) imagerie de mauvaise qualité des lésions ovariennes ; et (6) des informations incomplètes sur le cas.

Éthique Le protocole de l'étude a été examiné et approuvé par le comité d'éthique de l'hôpital Shijitan de Pékin, affilié à la Capital Medical University. Le numéro d’approbation éthique est : [indiquer le numéro]. L'étude sera menée conformément aux principes de la Déclaration d'Helsinki. Pour la phase de développement du modèle, les cas rétrospectifs ont bénéficié d'une renonciation au consentement éclairé. Pour la phase de validation clinique, tous les participants liront un formulaire de consentement éclairé avant le début de l'étude, accepteront volontairement de participer et signeront le formulaire de consentement éclairé.

Collecte de données Les enquêteurs collecteront des données d'imagerie (échographie pelvienne, IRM pelvienne) et données cliniques (informations générales, antécédents médicaux, antécédents familiaux, examen physique, tests de laboratoire, rapports de pathologie, diagnostic clinique, etc.) auprès des sujets de l'étude. Cela aidera à construire un ensemble de données multimodal sur les tumeurs ovariennes avec des annotations de classification et de segmentation, fournissant ainsi un support d'ensemble de données d'IA pour le développement ultérieur de modèles de diagnostic auxiliaires multimodaux pour les tumeurs ovariennes. Au fur et à mesure que la recherche progresse, les enquêteurs visent à parvenir à une expansion flexible et à une exploration approfondie de l'ensemble de données, à établir des protocoles standardisés pour les ensembles de données multimodaux et à permettre un partage efficace des données.

Traitement des données d'image, segmentation et annotation de classification Ce projet utilise l'outil OpenSlide pour traiter les images, en les redimensionnant pour garantir que les dimensions des pixels sont des multiples de 300. Les images sont ensuite divisées en sections de 300 × 300 pixels et converties au format PNG. Une segmentation précise des lésions est fondamentale pour une reconnaissance précise des images. Le projet implique une équipe de gynécologues, ainsi que des experts de l'École d'ingénierie électronique et de l'information de l'Université de Beihang, qui utilisent le logiciel d'annotation professionnel LabelMe pour la segmentation d'images et l'annotation de classification basée sur des résultats pathologiques, créant ainsi une base de données segmentée et classifiée. Par exemple, dans le cas d’images échographiques 2D, les lésions sont segmentées manuellement, les emplacements des tumeurs ovariennes étant marqués et convertis en étiquettes de classification correspondantes.

Pour améliorer encore la précision et les résultats de la segmentation, cette étude construit une architecture de réseau de segmentation d'images de tumeurs ovariennes, intégrant un module de fusion de fonctionnalités multi-échelles et une optimisation de la fonction de perte à plusieurs niveaux. L'architecture globale du réseau combine la segmentation des superpixels avec l'apprentissage en profondeur, tirant parti des fortes capacités d'extraction de caractéristiques des réseaux neuronaux convolutifs (CNN) pour améliorer les informations de périphérie et améliorer la précision de la segmentation.

Construction d'un système de diagnostic auxiliaire des tumeurs ovariennes basé sur l'IA utilisant l'IA pour la reconnaissance d'images Pour les images multimodales d'entrée (échographie et IRM), une extraction des caractéristiques visuelles est effectuée. Pour répondre aux tâches visuelles de classification et de segmentation des lésions, deux modèles algorithmiques sont construits : un modèle de structure résiduelle dense et un modèle de structure sensible aux bords à plusieurs niveaux. Ces modèles permettent une reconnaissance intelligente des types pathologiques dans les images multimodales

Modèle prédictif intégrant des données structurées multidimensionnelles Premièrement, les réseaux de neurones convolutifs sont utilisés pour générer des résultats de prédiction au niveau des pixels (résultats de segmentation) et les algorithmes d'IA fournissent des résultats de prédiction d'IA (probabilités postérieures). Par la suite, le vecteur de probabilité a posteriori est fusionné avec des données structurées (âge, plainte principale, durée de la maladie, résultats de l'examen physique, tests de laboratoire et autres indicateurs cliniques). Ceux-ci sont concaténés dans un nouveau vecteur de caractéristiques, qui est ensuite analysé par un modèle de décision (tel que XGBoost) pour déterminer la catégorie pathologique de la tumeur ovarienne. Le modèle est formé et validé en utilisant les résultats pathologiques comme référence.

Système de diagnostic auxiliaire Le système de diagnostic auxiliaire multimodal des tumeurs ovariennes est structuré en plusieurs niveaux hiérarchiques. Le système se compose de quatre niveaux principaux, de bas en haut : 1）Module sous-jacent : ce module est principalement chargé de fournir une accélération de l'inférence d'apprentissage en profondeur, garantissant les capacités fondamentales requises pour le fonctionnement du système. 2) Bibliothèque d'applications de base (couche de base) : cette couche offre des bibliothèques essentielles pour le traitement des informations médicales et l'enregistrement des journaux de la plateforme. 3) Cadre d'apprentissage profond (couche d'inférence d'apprentissage profond) : il sert de noyau intelligent du système et fournit les cadres d'apprentissage profond fondamentaux nécessaires à l'inférence intelligente du système. Cela inclut les bibliothèques d'inférence de réseau neuronal couramment utilisées qui prennent en charge l'inférence précise de modèles de réseau neuronal sur différentes plates-formes. 4）Couche d'application (subdivisée en couche d'application et couche de composants) : cette couche offre les services nécessaires au système de plate-forme. Il est conçu pour être flexible et extensible, avec des modules fonctionnels indépendants et faiblement couplés. Les couches sont relativement découplées, chacune fournissant des fonctionnalités indépendantes. Le système de plateforme est conçu de bas en haut, avec une interface opérationnelle conviviale et encapsulée en externe qui permet une interaction directe de l'utilisateur avec la plateforme.

Le système de diagnostic auxiliaire multimodal des tumeurs ovariennes remplit plusieurs fonctions clés. Premièrement, il peut lire les images échographiques et IRM, ainsi que les dossiers médicaux, selon les besoins de l'utilisateur, et convertir le format selon les besoins. Il prétraite ensuite les images et les dossiers médicaux en supprimant les informations non pertinentes, ce qui facilite l'inférence ultérieure du modèle. Le module de reconnaissance des lésions effectue à la fois la classification et la segmentation, en estimant les probabilités de lésion et en identifiant les zones de lésions potentielles. Enfin, le module de post-traitement des données effectue une fusion au niveau décisionnel des résultats de classification, annote automatiquement les zones de lésions et génère des résultats de diagnostic auxiliaires prédisant les types pathologiques en combinant les informations du dossier médical.

Optimisation du système de diagnostic auxiliaire multicentrique prospectif et validation des applications cliniques Grâce à la collaboration entre les équipes d'oncologie gynécologique de trois centres de recherche, le système de diagnostic auxiliaire multimodal des tumeurs ovariennes fera l'objet d'une application clinique prospective multicentrique, les résultats de pathologie chirurgicale étant utilisés comme référence. Les performances diagnostiques du système de diagnostic auxiliaire multimodal des tumeurs ovariennes, à la fois globales et dans différentes catégories pathologiques, seront évaluées dans les centres principaux et subsidiaires en comparant des paramètres tels que la spécificité, la sensibilité, la valeur prédictive positive, la valeur prédictive négative et la zone sous le Courbe ROC (AUC). Le système sera continuellement validé et optimisé pour améliorer ses performances. La cohérence entre le diagnostic préopératoire et les résultats pathologiques postopératoires seront comparés avant et après l'application du système de diagnostic auxiliaire des tumeurs ovariennes dans les trois centres de recherche, afin d'évaluer l'efficacité clinique du système de diagnostic auxiliaire.

Paradigme d'optimisation du système de diagnostic auxiliaire multicentrique basé sur l'apprentissage fédéré horizontal Le paradigme d'optimisation du système de diagnostic auxiliaire multicentrique basé sur l'apprentissage fédéré horizontal implique la gestion et la distribution du modèle de diagnostic auxiliaire par le centre principal. D'autres centres appliquent des mécanismes d'apprentissage progressifs, en utilisant leurs propres données pour affiner le système de diagnostic auxiliaire et fournir des paramètres mis à jour au centre principal. Ce processus garantit une reconnaissance intelligente améliorée des tumeurs ovariennes tout en préservant la confidentialité des données entre les centres. Dans un premier temps, le centre principal construit un modèle multimodal de prédiction des tumeurs ovariennes basé sur l’IA. Ce modèle est ensuite crypté et distribué aux agences. Les succursales, après avoir atteint une certaine taille de pool de données et satisfait aux normes d'annotation, lancent l'optimisation du modèle. Enfin, après avoir affiné les modèles, chaque centre télécharge les paramètres mis à jour vers le centre principal. Le centre principal évalue les performances du modèle pour déterminer si une itération de version du modèle est nécessaire. Si tel est le cas, le modèle mis à jour est redistribué, réalisant ainsi une boucle fermée d'apprentissage fédéré horizontal pour l'optimisation du modèle multicentrique.

Analyse statistique Calcul de la taille de l'échantillon

1. Phase de développement du modèle de diagnostic auxiliaire multimodal des tumeurs ovariennes La taille de l'échantillon requise est estimée à l'aide de la méthode EPV (Events per Variable), qui est une méthode basée sur l'expérience pour construire des modèles. Chaque variable nécessite généralement 10 à 20 événements positifs ; dans cette étude, les enquêteurs ont fixé l'EPV à 20. Les enquêteurs prévoient d'inclure 20 variables indépendantes (et variables fictives) dans le modèle de diagnostic, nécessitant ainsi 20 * 20 = 400 cas malins. Les données préliminaires indiquent que la proportion de patientes atteintes d'une tumeur ovarienne maligne (vraiment positive) est d'environ 30 %. Par conséquent, la taille totale de l’échantillon requis est de 400/0,30 = 1 334 cas. En considérant un taux de perte de données de 20 %, la taille finale de l'échantillon pour l'ensemble de formation est de 1 667 cas. L'ensemble de formation et l'ensemble de validation suivront un rapport de 4 : 1, ce qui donne une taille d'échantillon d'ensemble de validation de 418 cas. Ainsi, la taille totale de l’échantillon requis est de 2 084 cas, chaque centre contribuant à parts égales.
2. Phase de validation et d'optimisation de l'application clinique du système prospectif multicentrique Cette partie de l'étude évalue principalement l'effet d'application clinique du système de diagnostic auxiliaire en mesurant la précision. Par conséquent, la formule de calcul de la taille de l’échantillon pour les tests de diagnostic est utilisée.

Se = 90 % (sensibilité du système de diagnostic) ， Sp = 90 % (spécificité du système de diagnostic). Sur la base des avis d'experts statistiques et cliniques, errABS = 5 % fait référence à l'erreur absolue attendue, α = 0,05. Selon la formule de calcul de la taille de l’échantillon, le groupe véritablement positif nécessite l’inclusion de 140 cas. Les données préliminaires indiquent que la proportion de patientes atteintes d'une tumeur ovarienne maligne (vraiment positive) est d'environ 30 %. Par conséquent, la taille totale de l’échantillon requis est de 140/0,30 = 467 cas. En considérant un taux de perte de suivi de 20 %, la taille de l'échantillon final est de 584 cas, chaque centre contribuant à parts égales.

Gestion des données Toutes les données seront enregistrées dans un formulaire électronique de rapport de cas (eCRF) conçu pour l'étude. Chaque sous-centre établira une base de données indépendante gérée par du personnel désigné. Un processus standardisé de vérification de la saisie des données sera établi, garantissant que les données sont enregistrées avec précision et en temps opportun, en stricte conformité avec le protocole de l'étude. Des évaluations régulières seront menées pour vérifier l'exactitude et l'exhaustivité des données téléchargées. Les gestionnaires de données de chaque centre vérifieront les données collectées dans les eCRF par rapport aux documents sources tels que les dossiers médicaux et examineront le processus de collecte de données. Le personnel du centre principal effectuera des inspections périodiques sur place dans tous les centres participants pour vérifier l'authenticité des données. L'étude utilisera une technologie informatique de confidentialité pour garantir l'indépendance et la sécurité des données de chaque centre, en fournissant des services d'optimisation et de validation de modèles multicentriques tout en garantissant la confidentialité des données.

Analyse des données Pour les données continues normalement distribuées, les comparaisons intergroupes seront effectuées à l'aide du test t pour échantillons indépendants, et les comparaisons intragroupes seront effectuées à l'aide du test t apparié. Pour les données continues non normalement distribuées et les données ordinales, le test U de Mann-Whitney sera utilisé pour les comparaisons intergroupes, et le test de rang signé de Wilcoxon sera utilisé pour les comparaisons intragroupes. Pour les données catégorielles non ordonnées, le test du chi carré (χ²) ou le test exact de Fisher sera utilisé pour les comparaisons intergroupes, et le test de McNemar sera utilisé pour les comparaisons intragroupes. L'aire sous la courbe ROC (AUC) sera testée statistiquement en utilisant le Le test DeLong, ainsi que la sensibilité et la spécificité seront calculés à l'aide de l'intervalle de Jeffreys. Compte tenu de la corrélation entre les mêmes sujets, les comparaisons intergroupes utiliseront la méthode de l'équation d'estimation généralisée (GEE) ajustée aux effets centraux. L'analyse des autres indicateurs suivra la même méthodologie que l'analyse de référence.