Ricerca sulla diagnosi e il trattamento intelligenti basati sul deep learning

Questo studio è uno studio di intelligenza artificiale clinica basato su imaging che mira a sviluppare, addestrare e validare modelli di deep learning per l'analisi multimodale di imaging craniomascellofacciale e il supporto decisionale clinico intelligente. Si prevede di arruolare circa 2.000 partecipanti. Tutti i partecipanti avranno dati di imaging craniomascellofacciale e informazioni cliniche correlate ottenuti durante la cura clinica di routine odontoiatrica, ortodontica, orale e maxillofacciale o correlata.

I dati di imaging utilizzati in questo studio possono includere fotografie faciali bidimensionali, immagini di tomografia computerizzata a fascio conico e scansioni tridimensionali della superficie facciale. I dati clinici correlati possono includere informazioni demografiche, diagnosi clinica, classificazione scheletrica o dentale, misurazioni cefalometriche, registri relativi al trattamento e valutazioni esperte disponibili. Questo studio si concentrerà sullo sviluppo di modelli di intelligenza artificiale per la classificazione delle immagini craniomascellofacciali, il rilevamento dei punti di repere anatomici, la segmentazione regionale, il riconoscimento di anomalie e il supporto decisionale correlato al trattamento.

Prima dello sviluppo del modello, tutti i dati di imaging subiranno una preelaborazione standardizzata. Le procedure di preelaborazione possono includere de-identificazione dell'immagine, valutazione della qualità, conversione del formato, correzione dell'orientamento dell'immagine, ritaglio, standardizzazione della risoluzione, normalizzazione della scala di grigi o dell'intensità, registrazione spaziale ed estrazione della regione di interesse. Per le immagini bidimensionali, le regioni facciali o radiografiche standardizzate saranno definite in base al compito di imaging specifico. Per i dati di tomografia computerizzata a fascio conico e superficie facciale tridimensionale, la preelaborazione può includere ricostruzione volumetrica, ricostruzione superficiale, elaborazione della mesh, elaborazione della nuvola di punti o estrazione di strutture anatomiche.

Le etichette di riferimento saranno derivate da cartelle cliniche, diagnosi del medico e annotazioni manuali esperte. Per i compiti di segmentazione, le regioni o strutture anatomiche saranno annotate manualmente da clinici formati o ricercatori calibrati. Per i compiti di rilevamento dei punti di repere, i punti di repere anatomici predefiniti saranno annotati secondo protocolli standardizzati di misurazione craniomascellofacciale. Per i compiti di classificazione, il pattern scheletrico, la relazione dentale, la categoria morfologica craniomascellofacciale o altre etichette di classificazione clinicamente significative saranno determinate in base alla valutazione esperta. Verrà anche valutata la coerenza inter-osservatore e intra-osservatore per garantire l'affidabilità delle annotazioni manuali e delle etichette cliniche.

Il dataset di circa 2.000 partecipanti sarà suddiviso in set di addestramento, validazione e test. Il settanta per cento dei dati sarà utilizzato per l'addestramento del modello, il 15% per la validazione e il 15% per il test indipendente.

I modelli di deep learning includeranno reti neurali convoluzionali, modelli basati sull'attenzione e modelli di apprendimento multi-task. Lo sviluppo del modello includerà ottimizzazione degli iperparametri, regolarizzazione, data augmentation e monitoraggio delle prestazioni basato sul set di validazione.

Per i compiti di segmentazione dell'immagine, le prestazioni del modello saranno valutate utilizzando metriche di accuratezza della segmentazione, inclusi il coefficiente di somiglianza Dice, Intersection over Union, accuratezza pixel-wise, sensibilità, specificità e, ove applicabile, metriche di distanza dei bordi come la distanza di Hausdorff o la distanza superficiale media. Per i compiti di classificazione dell'immagine e riconoscimento diagnostico, le prestazioni del modello saranno valutate utilizzando accuratezza, precisione, richiamo, punteggio F1, sensibilità, specificità, valore predittivo positivo, valore predittivo negativo, analisi della curva ROC e area sotto la curva ROC. Le matrici di confusione saranno utilizzate per descrivere la distribuzione delle classificazioni corrette e errate tra le categorie diagnostiche. Per i compiti di classificazione multi-classe, possono essere riportate metriche macro-ponderate e ponderate medie. Per i compiti di rilevamento dei punti di repere anatomici, le prestazioni del modello saranno valutate utilizzando errore radiale medio, errore assoluto medio, tasso di rilevamento riuscito entro soglie di distanza clinicamente significative e concordanza con le annotazioni esperte.

Per i compiti di supporto decisionale correlato al trattamento, gli output del modello saranno confrontati con il giudizio clinico esperto. Le metriche di valutazione includeranno accuratezza, precisione, richiamo, punteggio F1, AUC e analisi della curva decisionale.

Il personale coinvolto nell'annotazione delle immagini e nell'elaborazione dei dati riceverà una formazione pertinente prima dell'inizio dello studio. L'accesso alle informazioni personali identificabili sarà limitato al personale di ricerca autorizzato. I dataset di analisi utilizzati per lo sviluppo del modello saranno de-identificati o pseudonimizzati quando possibile.

Il previsto arruolamento di circa 2.000 partecipanti dovrebbe supportare analisi dei sottogruppi e test di robustezza quando la distribuzione delle modalità di imaging e delle categorie cliniche è adeguata. I dati mancanti, non disponibili, non interpretabili o incoerenti saranno registrati.

I modelli di intelligenza artificiale sviluppati in questo studio hanno lo scopo di assistere i professionisti sanitari nell'analisi delle immagini craniomascellofacciali e nel supporto decisionale clinico. I modelli non sostituiranno la diagnosi clinica professionale o la pianificazione terapeutica individualizzata da parte di clinici qualificati. Qualsiasi futura applicazione clinica di questi modelli richiederà ulteriore validazione, revisione clinica e approvazione istituzionale o normativa appropriata.