Studio retrospettivo caso-controllo per lo sviluppo di uno strumento di intelligenza artificiale (AI) per il rilevamento delle lesioni utilizzando la risonanza magnetica (MRI) e variabili cliniche per la diagnosi precoce della spondiloartrite assiale (axSpA) (InnovaDetect)

SFONDO

Le spondiloartrite (SpA) sono un gruppo di malattie infiammatorie croniche di natura autoimmune che condividono caratteristiche cliniche e genetiche comuni, inclusa un'associazione con l'antigene HLA-B27. Sono tra le malattie reumatiche più comuni con una prevalenza dello 0,01-2,5%. Tutte queste condizioni fanno sì che i pazienti passino a una malattia cronica invalidante.

I pazienti affetti da SpA possono essere classificati in base alla loro presentazione clinica in SpA prevalentemente assiale (axSpA) o SpA prevalentemente periferica. La SpA assiale è caratterizzata dal coinvolgimento primario delle articolazioni sacroiliache (SIJ) e/o della colonna vertebrale, che porta a dolore sostanziale e disabilità. Fino a poco tempo fa, la diagnosi di axSpA si basava sul rilevamento di cambiamenti strutturali evocativi di sacroileite nelle SIJ utilizzando la radiografia semplice.

L'introduzione della risonanza magnetica (MRI) per la valutazione delle SIJ ha significativamente avanzato il riconoscimento dell'axSpA. La risonanza magnetica può rilevare processi infiammatori precoci anche in pazienti che non presentano ancora lesioni strutturali. Inoltre, la risonanza magnetica ha mostrato superiorità rispetto alla radiografia nel rilevare cambiamenti strutturali nelle SIJ. Tuttavia, la definizione di "MRI positiva" nella SpA rimane controversa, poiché sia ​​la sensibilità che la specificità hanno i loro limiti. La diagnosi precoce della SpA è diventata sempre più importante, poiché i trattamenti sono ora disponibili e la risonanza magnetica sta emergendo come la scelta preferita per la diagnosi precoce. Numerosi studi randomizzati e controllati sugli agenti anti-fattore di necrosi tumorale nella spondilite anchilosante hanno dimostrato la regressione delle lesioni infiammatorie nella colonna vertebrale mediante risonanza magnetica. Inoltre, il ruolo della MRI nella diagnosi precoce della SpA è stato meglio consolidato e le caratteristiche di imaging della sacroileite attiva mediante MRI sono state definite per la diagnosi di axSpA.

MOTIVAZIONE DELLO STUDIO

Nonostante gli attuali progressi nell’imaging medico e gli sforzi continui per migliorare i criteri di classificazione della axSpA, un’elevata percentuale di pazienti con axSpA rimane sottodiagnosticata, con conseguenti ritardi nella diagnosi che possono comportare una prognosi infausta. Il volume di dati non strutturati provenienti dall’imaging medico contribuisce ai ritardi diagnostici. L’integrazione delle tecnologie di intelligenza artificiale e di apprendimento automatico in medicina per l’elaborazione di grandi set di dati ha portato ad analisi più rapide e accurate, all’identificazione di lacune nelle prove nel mondo reale e alla generazione agile di prove per soddisfare le esigenze degli operatori sanitari e dei sistemi sanitari.

Questo studio mira a sviluppare uno strumento diagnostico AI che combina dati MRI quantitativi con informazioni cliniche per aiutare nella diagnosi precoce di axSpA.

OBIETTIVI

Obiettivo primario: creare uno strumento di intelligenza artificiale che consenta la diagnosi precoce di axSpA e il rilevamento delle lesioni basato sulla risonanza magnetica.

Obiettivo secondario: validazione clinica del modulo AI.

Obiettivo esplorativo:

• Caratterizzazione automatizzata delle lesioni (edema, erosione, metaplasia del grasso e anchilosante) basata sulla quantificazione della struttura e sull'analisi radiomica e delle caratteristiche profonde.
• Determinazione dei valori normativi per il biomarcatore di imaging della trama sulle SIJ.

DESCRIZIONE DEL CAMPIONE

Il set di dati sarà composto da 900 risonanze magnetiche, raccolte in modo retrospettivo. Gli esami MRI verranno ottenuti da pazienti con axSpA attiva e da quelli con axSpA inattiva o assente (gruppo di controllo). Il rapporto controllo-caso sarà fissato a 40/60, consentendo all'algoritmo di apprendere da entrambi i sottoinsiemi senza favorire un gruppo rispetto all'altro. Poiché l’IA può caratterizzare più facilmente la normalità rispetto alla patologia, la proporzione di MRI non-axSpA e normali può essere inferiore (circa il 40%) rispetto al 60% assegnato alle MRI axSpA. Nel gruppo axSpA attivo, la distribuzione delle risonanze magnetiche tra le categorie di classificazione (edema, anchilosante, erosione e metaplasia del grasso) dovrebbe essere il più equilibrata possibile, idealmente con il 25% assegnato a ciascuna categoria. Ciascuna MRI non proviene necessariamente da un paziente diverso, poiché possono rappresentare punti temporali diversi per lo stesso individuo.

PIANO DI ANALISI

1. Controllo della qualità dell'immagine.

   Tutte le immagini ricevute dai siti verranno controllate da tecnici di imaging per garantire l'omogeneità dei dati

2. Interpretazione centralizzata delle immagini.

   Una revisione radiologica centralizzata delle immagini MRI sarà condotta da radiologi esperti senior dell'MSK. Ogni caso sarà valutato da due radiologi. Se c'è un disaccordo tra i due, un terzo radiologo esaminerà il caso.

   I radiologi classificheranno le MRI nelle varie classi e coorti dello studio in base ai criteri ASAS per la definizione della sacroileite attiva alla MRI per la classificazione della spondiloartrite assiale. Tutti i radiologi coinvolti nel progetto riceveranno una formazione per rilevare le lesioni secondo i criteri ASAS e questa formazione sarà documentata e archiviata nell'archivio dello studio.

3. Processo di annotazione.

   I tecnici di imaging delineeranno le lesioni rilevate dai radiologi esperti dell'MSK per generare un volume 3D. Questo verrà poi esaminato dal radiologo esperto dell'MSK.

4. Estrazione di biomarcatori per immagini.

   Per ottenere ulteriori informazioni sulle lesioni marcate, verrà eseguita un'analisi della tessitura per quantificare diverse caratteristiche legate all'eterogeneità del tessuto che possono essere considerate un indicatore del processo patologico. Il pannello radiomico sarà basato sulle seguenti caratteristiche:

   • Caratteristiche strutturali o di forma: descrittive delle proprietà geometriche dell'immagine. Esempi di queste caratteristiche sono volume, diametro ortogonale massimo, area superficiale massima, compattezza, dimensione frattale o sfericità di una lesione.

   • Le caratteristiche statistiche sono quelle desunte dalle relazioni statistiche. Possono essere a loro volta:

     • Primo ordine o distribuzionale: forniscono informazioni sulla frequenza dei singoli valori di voxel senza prendere in considerazione le loro relazioni spaziali. Questa distribuzione è presentata sotto forma di istogrammi, che riportano la media, la mediana, il massimo e il minimo delle intensità dei voxel, ma anche l'asimmetria, la curtosi, l'uniformità o l'entropia della distribuzione.
     • Secondo ordine o tessitura: riflettono le relazioni tra voxel vicini, consentendo di ottenere una disposizione spaziale delle loro intensità, dando così un'idea dell'architettura e dell'eterogeneità del tessuto studiato. Queste relazioni sono ottenute mediante analisi statistiche, come matrici di cooccorrenza, che misurano la probabilità che due voxel vicini abbiano la stessa intensità di segnale.
     • Ordine superiore: si tratta di combinazioni di caratteristiche ottenute mediante analisi statistiche complesse, come l'analisi frattale, su immagini a cui sono stati applicati filtri o trasformazioni matematiche per massimizzare o minimizzare modelli, rimuovere rumore o evidenziare determinati dettagli.
   • Caratteristiche profonde: si tratta di proprietà ottenute analizzando immagini con reti neurali convoluzionali (CNN) o altri algoritmi di deep learning. Questi algoritmi sono addestrati per essere in grado, in un'immagine, di determinare e selezionare automaticamente quelle caratteristiche o insiemi di caratteristiche di classificazione, senza la necessità dell'intervento umano.
5. Sviluppo del modulo AI.

Utilizzando le risonanze magnetiche raccolte insieme ai biomarcatori di imaging e ad altre informazioni cliniche disponibili, i data scientist creeranno un modello basato sull'intelligenza artificiale che fornirà un punteggio di probabilità di axSpA per ciascun soggetto.

Per creare il modulo AI, il database sarà diviso in tre sottoset di dati non bilanciati (formazione, validazione e test). Il set di dati più grande di immagini verrà utilizzato per addestrare il modulo. Dopo la fase di training, il database di validazione verrà utilizzato per verificare se la classificazione è ben fatta o se il modello debba essere nuovamente addestrato.

Formazione: insieme di casi utilizzati per adattare il modello durante il processo di formazione. Questi saranno i casi che il modello utilizzerà per ottimizzare i suoi pesi, ovvero i casi che il modello utilizzerà per "imparare".

Validazione: l'insieme di casi utilizzati per valutare il modello durante il processo di training, pertanto, non vengono utilizzati per ottimizzare i pesi del modello. Questo set di dati viene utilizzato per tre scopi principali:

• Ottimizzazione degli iperparametri.
• Rilevamento dell'overfitting: durante il processo di addestramento, dopo ogni iterazione di addestramento (epoca), il modello viene valutato sia sui set di dati di addestramento che su quelli di convalida.
• Selezione del modello "migliore" durante il processo di addestramento, ciò significa che vengono memorizzati i pesi dell'iterazione di addestramento in cui si ottengono le migliori metriche di validazione.

Test: per la valutazione finale del modello verrà utilizzato un set separato, non utilizzato per la formazione o la convalida.

In questo studio, gli esami MRI verranno ottenuti da vari scanner e istituzioni. Pertanto, i protocolli di acquisizione e le tecniche di ricostruzione possono variare tra gli scanner. Per risolvere questo problema, verranno applicate tecniche di preelaborazione per standardizzare le immagini su diversi scanner.