Vékonybél mély tanulási algoritmus projekt

Bevezetés.

A tanulmány fő célja a mélytanulási algoritmus pontosságának értékelése a normál és abnormális terminális ileum megkülönböztetésében, tapasztalt radiológusokkal összehasonlítva MR Enterográfia felvételeken.

A tanulmány a meglévő kutatásokra épít, amelyek kimutatták, hogy statisztikai módszerekkel azonosítani lehet a vékonybél Crohn-betegség helyeit. A folyamat azonban több mint 1 órát vett igénybe, és nem teljesen automatikus. Projektünk azt vizsgálja, hogy a legmodernebb (neurális hálózatokon alapuló) "mélytanulási" algoritmus a megnövekedett számítási teljesítménnyel párosulva képes-e pontos és időszerű információkat szolgáltatni.

A projektet a gasztrointesztinális képalkotással foglalkozó radiológusok (akik tisztában vannak a Crohn-betegség pontos leképezésének kihívásaival) és az Imperial College Computer Science Department (akik jártasak az orvosi képalkotó neurális hálózatok fejlesztésében) közösen. A London North-West Kutatási és Fejlesztési Osztályának véleményét és véleményét is elismerik.

Dizájnt tanulni.

Retrospektív tervezés és toborzás.

A vizsgálatban retrospektív módon azonosítják a jogosult betegeket, és egy egymást követő esetmintavételi technikát alkalmaznak (az összes alkalmas képet a legutóbbitól visszafelé dolgozva tartalmazza).

Ez a retrospektív megközelítés kompromisszumot jelent aközött, hogy a megállapítások általánosíthatósága csökken, illetve a tanulmány viszonylag gyorsan és alacsony költséggel valósul meg (a tanulmány nem kap támogatást).

A vizsgálók biztosak abban, hogy az eredmények általánosíthatóak, mivel 113 normál esetből és 113 terminális ileális betegségből álló esetből álló felvételi célnak le kell fednie a normális és abnormális megjelenések spektrumát (a korábbi tanulmányok <50 képkészletet használtak).

A normál terminális csípőbéllel kapcsolatos esetek az MRI-n szerepelnek, mivel az algoritmusfejlesztés megközelítése magában foglalja a normál és abnormális terminális csípőbél képalkotó jellemzőinek összehasonlítását MRI-vizsgálatokon.

Nem kísérleti megközelítés.

A módszer a szokásos klinikai ellátás részeként végzett MRI-vizsgálatokat alkalmaz. Ehhez a vizsgálathoz további képalkotást nem végeznek. A vizsgálati eredmények nem változtatják meg a jogosult betegek jelenlegi kezelését.

Hozzájárulás és titoktartás.

Mivel az algoritmusok fejlesztéséhez használt képek teljesen anonimizáltak, ezért a kifejezett beleegyezés nem történik meg. Ez az Általános Orvosi Tanács 2011-es és a The Royal College of Radiologists (UK) 2017-es útmutatásaiból következik, amelyek szerint az anonimizált felvételek hozzájárulás nélkül megoszthatók kutatási célokra.

Az ehhez a vizsgálathoz használt MRI-képeket a rutin szokásos klinikai ellátás részeként szerezték be, és a vizsgálatban részt vevő radiológusok szokásos munkavégzésük részeként rutinszerűen megtekintik.

Amint a megfelelő beteget azonosították, a páciens képeit teljesen anonimizált formában, közvetlen vagy közvetett azonosítók nélkül másoljuk. A Radiology képnézegető program robusztus anonimizálási funkciót tartalmaz. A vizsgálati alany Az azonosítók véletlenszerűen kerülnek kiosztásra, megakadályozva az ál-anonimizálást, ha ugyanattól a pácienstől különböző időpontokban készült szkenneléseket is tartalmaznak.

A vizsgálat során nem továbbítanak érzékeny/beteg-azonosítható adatokat az algoritmusfejlesztéshez. Az algoritmus fejlesztése azon alapul, hogy az MRI pixelintenzitást a betegség pontszámaihoz/jegyzeteihez igazítják több vizsgálat során. Az anonimizálás nem befolyásolja a képen belüli pixeleket. A kiadványokban csak összesített adatok jelennek meg, azaz egyedi esetekre vonatkozó példákat nem teszünk közzé.

Összeférhetetlenség. A tanulmány kutatói nem nyilatkoznak összeférhetetlenségről.