A periprotetikus csípőfertőzések korai megkülönböztetése neurális hálózatok segítségével (SEPTIC-ANNR) (SEPTIC-ANNR)

A periprotézises csípőfertőzések forró téma az ortopédiai sebészetben, amelyek előfordulási gyakorisága körülbelül 1%. Az elhúzódó kórházi kezeléssel és további kezelésekkel kapcsolatos morbiditás, mortalitás és többletköltségek jelentik a fő gondokat. A periprotézis fertőzéseket általában a CDC (Center for Disease Control and Prevention) kritériumok (2014) alapján diagnosztizálják. A diagnózis nagyobb és kisebb kritériumokon alapul, beleértve a műtét előtti és intraoperatív paramétereket. A fertőzés megbízható diagnosztizálása érdekében, ha fisztula nincs jelen, szinoviális folyadék aspiráció vagy szövetminta szükséges. Ezek a technikák azonban drágák és invazívak. Ráadásul az érzékenység nem mindig olyan pontos, amint azt a feltételezett aszeptikus lazulás miatt elvégzett revíziós műtétek egyes sorozatai mutatják, amelyek a tenyésztések után szeptikusnak bizonyultak. Ezért a fertőzés diagnózisa gyakran későn, hosszú, összetett, költséges és nem mindig döntő diagnosztikai munka után következik be, ami befolyásolja a kezelés időzítését és sikerét.

Kívánatos lenne egy praktikus, gyors, megbízható és non-invazív (esetleg ambuláns) diagnosztikai eljárás a periprotézis fertőzésekre. Diagnosztikai képalkotásra támaszkodhat, és a folyadékok vagy szövetek gyűjtését kétes esetekre korlátozza. Jelenleg a CT és a nukleáris medicina képalkotó technikákat nem alkalmazzák rutinszerűen a fertőzések diagnosztizálásában a szerény megbízhatóság, a költségek és a sugárzó anyagoknak való kitettség miatt.

A közelmúltban megjelentek a neurális hálózatok: sok egyszerű párhuzamos processzorból állnak, mélyen összekapcsolva, és egy számítási modellt valósítanak meg. A neurális hálózatok utánozzák az agyat és annak tanulási képességét. A számítási modellek felismerik a vizuális jeleket, valós időben kezelik az összetett helyzeteket, osztályozzák és kezelik a zajokat, asszociatív memóriát használnak valós idejű hozzáféréssel nagy mennyiségű adathoz, és rekonstruálják a részleges vagy sérült információkat. A neurális hálózatokat már használták a fertőzések, áttétek és kezelési kudarcok kialakulásának előrejelzésére, integrálva a klinikai és diagnosztikai képalkotó adatokat. A mai napig nem végeztek vizsgálatokat a neurális hálózatokról a periprotetikus fertőzésben. A tanulmány célja annak értékelése, hogy a hagyományos röntgenfelvételeken alkalmazott neurális hálózatok (celluláris neurális hálózatok-genetikai algoritmus) pontosak, érzékenyek és specifikusak-e a már jól felismert módszerekkel diagnosztizált periprotézises csípőgyulladás korai megkülönböztetésére ( CDC 2014).

Pontosabban, olyan betegek populációját választják ki, akiknek teljes radiológiai anamnézisük van (műtét előtti röntgenfelvételek és egy sor egyéb posztoperatív röntgenfelvétel), akiket szeptikus vagy aszeptikus lazulás miatt kezelnek.

Mindkét eset szükséges egy neurális hálózat "utasításához". Az első lépés a szeptikus vagy aszeptikus lazulási diagnózissal rendelkező betegek egymást követő sorozatának azonosítása, a kórházi adatbázis lekérdezése. Így a betegeket kategorikusan szeptikus vagy aszeptikus lazításra osztják. A 2014-es CDC-kritériumokat alkalmazzák (a klinikai környezetben rutinszerűen elvégzett módon), egy másik fontos és szükséges kritérium hozzáadásával: legalább 3 pozitív intraoperatív szövetminta (ugyanaz a mikroorganizmus). Aszeptikus lazítás esetén a tok nem felelhet meg a CDC 2014 kritériumainak. Így összegyűjtik a betegek képalkotó és klinikai adatait. A diagnózis megállapítása után a radiográfiai anyagot feldolgozzák (celluláris neurális hálózatok-genetikai algoritmus). A javasolt eljárás a radiográfiai képeket a következő csővezeték és a MatLab szoftver (Mathworks, Natick, USA) segítségével dolgozza fel:

• alapvonal: az első beültetés utáni képet összehasonlítják a beültetés előtti radiográfiai képpel;
• az előrehaladást rendszeres röntgenfelvételekkel rögzítik, standard és megismételhető vetületekkel (medenceröntgen);
• a jellemzők az egyes képekből kinyerhetők, a manuálisan szegmentált területen (érdekes régió – ROI). Három lépés történik: 1) kép-előfeldolgozás, a bemeneti adatok egységes keretrendszerének létrehozása (szürke szintű képek). Színhisztogram kiegyenlítés; 2) a neurális hálózatokból kinyert jellemzőket alkalmazzák a ROI-ra. Sablonok klónozása genetikai algoritmusok segítségével. A funkciókat egy teljesen összekapcsolt réteg + SoftMax fogja feldolgozni; 3) az AutoEconderből kinyert funkciók teljesen összekapcsolt réteggel + SoftMax;
• a differenciális radiográfiai jellemzők elemzése (sejtes és konvolúciós oldalak elemzése) és összehasonlítása az alapvonallal. Utófeldolgozás a következő módon: 1) teljesen összekapcsolt regressziós réteg és többosztályú osztályozó: a szeptikus progresszió kockázatának százalékos arányát adja meg; 2) teljesen összekapcsolt regressziós réteg és bináris osztályozó: jellemzők a szeptikus / aszeptikus klaszterekben;
• végső döntési fa: a fent említett adatok fúziója, amely a szeptikus progresszió kockázatának százalékát biztosítja az indexált képalkotásnál. A cél annak igazolása, hogy a radiográfiai képalkotás során alkalmazott neurális hálózatok pontosan, érzékenyen és specifikusan felismerik-e a validált és meghatározott kritériumok szerint diagnosztizált késői, krónikus periprotézises csípőgyulladást.