Modello IA per appendicite acuta in CT

Sviluppo delle informazioni del modello di appendice

- Questo studio ha utilizzato un modello di informazioni preaddestrate dell'appendice (IA) basato su un quadro diagnostico completamente automatizzato per prevedere tre classi con mappatura di probabilità e caratteristiche: non appendicite, appendicite semplice e appendicite complicata.

La pipeline di parametri di incorporamento del modello IA appresi dall'immagine TC 3D di 7.147 pazienti consisteva in un algoritmo binario a due fasi collegato al trasferimento dell'apprendimento con tre modelli CNN 3D: DenseNet, EfficientNet e ResNet.

- È stato applicato un algoritmo binario a due fasi per l'apprendimento del trasferimento per apprendere modelli inerenti dalle immagini 3D di tre classi reali, come fa un medico quando decide il trattamento per l'appendicite. Nella prima fase del processo, è stato sviluppato un modello di classificazione della Fase 1 per identificare la non-appendicite e l'appendicite. Nella seconda fase del processo, il modello di classificazione della Fase 2 ha identificato l'appendicite semplice e quella complicata dai dati trasferiti con i parametri addestrabili appresi nella Fase 1.

Attualmente, il modello IA finale è stato convalidato esternamente utilizzando un set di dati mai visto prima da un istituto esterno con ampi criteri di ammissibilità per i pazienti che si sono recati al pronto soccorso con dolore addominale e sono stati sottoposti a TC addominopelvica a causa del sospetto clinico di appendicite acuta.

Intervento Si tratta di uno studio comparativo tra modelli umani e IA per il tasso di appendicite negativa (NAR) nelle appendiciti non-, semplici e complicate di un set di dati prospettici randomizzati, che è stato raccolto da scansioni TC di pazienti che hanno visitato il pronto soccorso con addome acuto Dolore. I partecipanti al braccio di controllo erano dieci non radiologi.

Il modello IA non può impedire il processo decisionale preoperatorio dei medici nella pratica clinica in corso per quanto riguarda gli aspetti legali ed etici dell’interrogazione dei quadri diagnostici del modello IA sul ragionamento matematico per un risultato in termini di protezione dei soggetti umani.

Considerando il rischio minimo per i soggetti umani e gli aspetti etici e legali dell'intelligenza artificiale, il disegno dello studio assegna rigorosamente le immagini TC ai non radiologi e ai modelli IA dopo il completamento del trattamento per l'appendicite con o senza conferma patologica.

Allocazione dei dati e valutazione delle prestazioni

- Per confrontare equamente il modello IA con quello degli esseri umani e dei non radiologi, la condizione di interpretazione per un non radiologo dovrebbe soddisfare tutti i criteri come segue: solo le immagini TC senza variabili quali età, sesso e valori di laboratorio dovrebbero essere assegnate in modo casuale; l'appartenenza del non radiologo e del paziente dell'immagine TC non dovrebbe essere la stessa; il rapporto di assegnazione per appendicite non appendicite, semplice e complicata assegnato al non radiologo dovrebbe essere in cieco; e l'intervallo dell'immagine TC per l'interpretazione dovrebbe essere identico all'intervallo della ROI per l'appendice, che viene generata dalla localizzazione automatica del modello IA. Per valutare la prestazione diagnostica negli esseri umani, un non radiologo ha impostato quattro elementi di test come segue: (1) visualizzazione dell'appendice; (2) esclusione dell'appendicite; (3) complicazioni; e (4) diagnosi delle immagini TC.

Gli esiti primari e secondari sono stati valutati utilizzando i risultati delle quattro domande per i partecipanti e la prestazione diagnostica del modello IA nello stesso set di dati.

Dichiarazione etica Secondo la "Guida all'utilizzo dei dati sanitari" e la "Guida alla gestione delle informazioni sugli pseudonimi" della Commissione per la protezione dei dati personali del Ministero della Salute e del Welfare, l'esfiltrazione dei dati con garanzia di sicurezza dell'archivio dati è stata condotta con l'approvazione del Comitato di revisione dei dati presso le istituzioni partecipanti. Il comitato di revisione istituzionale centrale (IRB) e gli IRB di tutte le istituzioni partecipanti hanno approvato questo studio.

Dimensione del campione e metodi statistici Lo studio precedente dei ricercatori, che ha completato la validazione esterna del modello IA attraverso l'estrazione dei dati da istituzioni esterne, ha mostrato un NAR del 12,4% nel set di dati esterni. Il valore di riferimento standard per i non radiologi per la NAR è stato riportato pari al 10,5% ± 5%. Pertanto, la differenza accettabile nel NAR tra il modello IA e i non radiologi per l’applicazione clinica dovrebbe essere inferiore al 10,0% del margine di non inferiorità.

La dimensione del campione per il set di dati randomizzati controllati per una singola istituzione era 263 presupponendo un intervallo di confidenza del 95%, potenza statistica del 90%, α a due code = 0,05, livello di significatività = 0,05 e dimensione dell'effetto = 0,2 allo Z-test . Due istituzioni esterne hanno partecipato a questo studio. A causa dell’eterogeneità dei dati, della normalizzazione e delle differenze di prevalenza tra le regioni tra le due istituzioni esterne, la dimensione del campione è stata calcolata per ciascuna istituzione. Pertanto, assumendo 263 pazienti per istituto con una perdita al follow-up del 10%, la dimensione totale del campione era di 568.