Recherche sur le diagnostic et le traitement intelligents basés sur l'apprentissage profond

Cette étude est une étude d'intelligence artificielle clinique basée sur l'imagerie visant à développer, former et valider des modèles d'apprentissage profond pour l'analyse d'imagerie multimodale craniomaxillofaciale et l'aide à la décision clinique intelligente. Environ 2 000 participants sont prévus d'être recrutés. Tous les participants auront des données d'imagerie craniomaxillofaciale et des informations cliniques connexes obtenues lors de soins dentaires, orthodontiques, oraux et maxillofaciaux ou de soins cliniques connexes de routine.

Les données d'imagerie utilisées dans cette étude peuvent inclure des photographies faciales bidimensionnelles, des images de tomodensitométrie à faisceau conique et des scans faciaux tridimensionnels de surface. Les données cliniques connexes peuvent inclure des informations démographiques, le diagnostic clinique, la classification squelettique ou dentaire, les mesures céphalométriques, les dossiers liés au traitement et les évaluations d'experts disponibles. Cette étude se concentrera sur le développement de modèles d'intelligence artificielle pour la classification d'images craniomaxillofaciales, la détection de points de repère anatomiques, la segmentation régionale, la reconnaissance d'anomalies et l'aide à la décision liée au traitement.

Avant le développement du modèle, toutes les données d'imagerie subiront un pré-traitement standardisé. Les procédures de pré-traitement peuvent inclure la désidentification des images, l'évaluation de la qualité, la conversion de format, la correction de l'orientation des images, le recadrage, la standardisation de la résolution, la normalisation des niveaux de gris ou d'intensité, le recalage spatial et l'extraction des régions d'intérêt. Pour les images bidimensionnelles, des régions faciales ou radiographiques standardisées seront définies selon la tâche d'imagerie spécifique. Pour les données de tomodensitométrie à faisceau conique et de surface faciale tridimensionnelle, le pré-traitement peut inclure la reconstruction volumétrique, la reconstruction de surface, le traitement de maillage, le traitement de nuages de points ou l'extraction de structures anatomiques.

Les étiquettes de référence seront dérivées des dossiers médicaux cliniques, du diagnostic du clinicien et de l'annotation manuelle experte. Pour les tâches de segmentation, les régions ou structures anatomiques seront annotées manuellement par des cliniciens formés ou des chercheurs calibrés. Pour les tâches de détection de points de repère, les points de repère anatomiques prédéfinis seront annotés selon des protocoles de mesure craniomaxillofaciaux standardisés. Pour les tâches de classification, le schéma squelettique, la relation dentaire, la catégorie morphologique craniomaxillofaciale ou d'autres étiquettes de classification cliniquement significatives seront déterminées sur la base de l'avis d'experts. La cohérence inter-observateur et intra-observateur sera également évaluée pour garantir la fiabilité des annotations manuelles et des étiquettes cliniques.

L'ensemble de données d'environ 2 000 participants sera divisé en ensembles d'entraînement, de validation et de test. Soixante-dix pour cent des données seront utilisées pour l'entraînement du modèle, 15 % pour la validation du modèle et 15 % pour des tests indépendants.

Les modèles d'apprentissage profond incluront des réseaux de neurones convolutifs, des modèles basés sur l'attention et des modèles d'apprentissage multitâche. Le développement du modèle inclura l'optimisation des hyperparamètres, la régularisation, l'augmentation des données et le suivi des performances basé sur l'ensemble de validation.

Pour les tâches de segmentation d'image, les performances du modèle seront évaluées à l'aide de métriques de précision de segmentation, notamment le coefficient de similarité de Dice, l'Intersection sur Union, la précision pixel par pixel, la sensibilité, la spécificité et, le cas échéant, des métriques de distance aux limites telles que la distance de Hausdorff ou la distance moyenne à la surface. Pour les tâches de classification d'images et de reconnaissance de diagnostic, les performances du modèle seront évaluées à l'aide de la précision, exactitude, rappel, F1-score, sensibilité, spécificité, valeur prédictive positive, valeur prédictive négative, analyse de la courbe caractéristique de fonctionnement du récepteur et aire sous la courbe ROC. Des matrices de confusion seront utilisées pour décrire la distribution des classifications correctes et incorrectes à travers les catégories de diagnostic. Pour les tâches de classification multi-classes, des métriques de performance moyennées macro et pondérées peuvent être rapportées. Pour les tâches de détection de points de repère anatomiques, les performances du modèle seront évaluées à l'aide de l'erreur radiale moyenne, de l'erreur absolue moyenne, du taux de détection réussie dans des seuils de distance cliniquement significatifs et de la concordance avec les annotations d'experts.

Pour les tâches d'aide à la décision liée au traitement, les sorties du modèle seront comparées au jugement clinique expert. Les métriques d'évaluation incluront l'exactitude, la précision, le rappel, le F1-score, l'AUC et l'analyse de la courbe de décision.

Le personnel impliqué dans l'annotation d'images et le traitement des données recevra une formation pertinente avant le début de l'étude. L'accès aux informations personnelles identifiables sera limité au personnel de recherche autorisé. Les ensembles de données d'analyse utilisés pour le développement du modèle seront désidentifiés ou pseudonymisés dans la mesure du possible.

Le recrutement prévu d'environ 2 000 participants devrait permettre des analyses de sous-groupes et des tests de robustesse lorsque la distribution des modalités d'imagerie et des catégories cliniques est adéquate. Les données manquantes, indisponibles, non interprétables ou incohérentes seront enregistrées.

Les modèles d'intelligence artificielle développés dans cette étude sont destinés à aider les fournisseurs de soins de santé dans l'analyse d'imagerie craniomaxillofaciale et l'aide à la décision clinique. Les modèles ne remplaceront pas le diagnostic clinique professionnel ou la planification de traitement individualisée par des cliniciens qualifiés. Toute application clinique future de ces modèles nécessitera une validation supplémentaire, un examen clinique et une approbation institutionnelle ou réglementaire appropriée.