A petefészekrák és az endometriumrák előrejelzői a mesterséges intelligencia alapú szűrőeszközökhöz

Módszertan:

Ez a tanulmány két különböző szakaszból áll

1. Az első szakaszban kohorszvizsgálatot végeznek az egyes ráktípusok lehetséges előrejelzőinek azonosítására
2. A második szakasz a rák előfordulásának előrejelzésére szolgáló mesterséges intelligencia-modellre épülő gondozási ponton végzett tesztelés, valamint az új résztvevők leendő tesztelése diagnosztikai vizsgálati módszerrel. Az eszközök előrejelzik a jelenlegi kórszövettani eredményt és egy éven belül a lehetséges jövőbeli szövettani vizsgálatokat.

A résztvevők és az adatok forrása A vizsgálati központban nőgyógyászati ​​​​tünetekkel vagy anélkül nőgyógyászati ​​és patológiai vizsgálatokat végeztek, hogy kizárják a petefészek- és méhnyálkahártyarákot. Az adatokat digitálisan tároljuk, és ennek megfelelően történik a kinyerés

Változók és eredménymérés

1. Demográfiai adatok és egészségügyi adatok ezek az információk a betegek kezdeti felméréséből származnak, beleértve az életkort, a testtömeg-indexet, a krónikus betegségeket, a nőgyógyászati ​​és szülészeti profilt, a menstruációs rendszert és a fogamzásgátlást.
2. A klinikai és laboratóriumi adatok közé tartozik a teljes vérkép, a rákkal összefüggő kiválasztott biomarker (például Cancer Antigen 125 (Ca-125)), a nyirokcsomók érintettsége, az érintett szövetek kórszövettani vizsgálata, valamint a metasztázisok klinikai vagy radiológiai adatokon keresztüli jelei.
3. Az eredmény végső kórszövettani típusa és osztályozása legalább két patológus által értékelve a rák típusának meghatározásához. Az osztályozás irányelvei az Egészségügyi Világszervezet osztályozását követik

Mesterséges-intelligencia alapú szűrőeszközök fejlesztése

1. A kutató fejleszteni fog

   - információ alapú modell, ahol a felhasználó választ ad minden egyes előrejelzőre

   - egy kép alapú modell, ahol a felhasználó egy rögzített képet ad az előrejelzéshez

   - vegyes alapú modell, ahol a felhasználó egyesítheti a rögzített képeket és információkat minden egyes előrejelzőhöz

2. javasolt modell

   - a regressziós együtthatóból származtatott pontozás alapú

   - döntési fa

   - véletlenszerű erdő

   - mesterséges neurális hálózat

   • konvolúciós neurális hálózat
3. A modell kiválasztása

1. Szűrési teljesítmény osztott adatokon (vagy keresztellenőrzési technikával)

2. log-veszteség vagy valószínűség értékelése

   Idővonal

   1. A vizsgálat első szakaszában minden résztvevő esetében időnként változó értékelést kell végezni, azonban legalább a résztvevők minden tényező és eredmény értékelésén esnek át a kiinduláskor. Az orvos által javasolt megismételt értékelést az alapállapot-értékelést követő egy éven belül kell elvégezni.

   2. A második vizsgálat prospektív szűrést alkalmaz. A mesterséges intelligencia alapú szűrőeszközt a diagnózis aranystandardjával egyidejűleg használják majd.

   A lehetséges torzítási eljárási torzítást, különösen a megbízhatósági eredmények értelmezésében, több patológus bevonásával kezelik. A patológus és a szűrővizsgálatot egymástól függetlenül végzi el, hogy csökkentse az újonnan kifejlesztett szűrőeszközök által biztosított korábbi eredmények tendenciáját.

   Minta nagysága

   1. A kutatás első szakasza azt feltételezi

a. Mindkét rák prevalenciája a nők összes daganatos megbetegedése között 5%-ot tett ki b. Az I. típusú hiba 5%-ra van állítva c. a prevalencia abszolút hibája 1% az egymintás arány képletével, a becsült mintanagyság 1825 résztvevő.

2. A diagnosztikai vizsgálatot követően kijelentjük, hogy az új szűrőeszközök modellje a kórszövettanhoz képest nem rosszabb teljesítményt fog mutatni, mint az aranystandard, feltételezve, hogy

a. az érzékenységi értékben várható eltérés 5%, feltételezve, hogy az új szűrőeszközök 85%-os szenzitivitással rendelkeznek, a kórszövettani érzékenység pedig 90% b. cross-over tesztelés történik, egyenlő elosztást biztosítva a szűrési beavatkozáshoz c. A vizsgálat 1. típusú hibája 5% d. A vizsgálat 80%-os teljesítménye, a leendő szűrőeszköz teljes mintája 1080 résztvevő lesz.

Adatok számszerűsítése és diszkretizálása számos klinikai információ besorolásra kerül a megállapított irányelvek szerint, például a testtömeg-index szerint.

Javasolt statisztikai elemzés

1. Leíró statisztikai és kétváltozós elemzés
2. Cox-regressziót hajtanak végre az alapvonaltól az eseményig tartó idővonalat követve
3. Alcsoport-elemzést végeznek, különösen bizonyos demográfiai és társbetegségek esetében.

ami a második szakaszt illeti, az elemzés azonosítja a

1. érzékenység
2. sajátosság
3. pontosság
4. pontosság
5. A kiválasztott modellek kezeléséhez szükséges szám bekerül egy alkalmazásba.