ニューラルネットワークを使用した人工股関節周囲感染症の早期識別 (SEPTIC-ANNR) (SEPTIC-ANNR)

人工股関節周囲感染症は整形外科分野で注目されており、その発生率は約 1% です。 罹患率、死亡率、および長期の入院やさらなる治療に伴う追加費用が主な懸念事項です。 プロテーゼ周囲の感染症は通常、CDC (疾病管理予防センター) の基準 (2014 年) を使用して診断されます。 診断は、術前および術中のパラメータを含む主要な基準と副次的な基準に基づいて行われます。 感染症を確実に診断するには、瘻孔が存在しない場合、関節液の吸引または組織サンプルが必要です。 ただし、これらの技術は高価であり、侵襲的です。 さらに、無菌性弛みと推定されて行われた一連の再手術が、培養後に敗血症であることが判明したことからわかるように、感度は必ずしも正確であるとは限りません。 したがって、感染症の診断は遅く、長く複雑で費用がかかり、必ずしも決定的とは限らない診断精密検査の後に行われることが多く、治療のタイミングと成功に影響を与えます。

プロテーゼ周囲の感染に対する実用的で、迅速で、信頼性が高く、非侵襲的（おそらく外来で）診断手順が望ましい。 画像診断に依存し、液体や組織の採取を疑わしい場合に限定する場合もあります。 現在、CT および核医学画像技術は、信頼性が低く、コストが高く、放射線物質への曝露があるため、感染症の診断には日常的に採用されていません。

最近、ニューラル ネットワークが導入されました。ニューラル ネットワークは、深く接続された多数の単純な並列プロセッサで構成され、計算モデルを実現します。 ニューラル ネットワークは脳とその学習能力を模倣します。 計算モデルは、視覚信号を認識し、複雑な状況をリアルタイムで管理し、ノイズを分類および管理し、大量のデータにリアルタイムでアクセスできる連想メモリを使用し、部分的または破損した情報を再構築します。 ニューラル ネットワークは、臨床画像データと診断画像データを統合して、感染症の発症、転移、治療失敗を予測するためにすでに使用されています。 現在まで、人工器官周囲の感染症における神経ネットワークに関する研究は行われていません。 この研究の目的は、従来の X 線撮影に適用されたニューラル ネットワーク (セルラー ニューラル ネットワーク - 遺伝的アルゴリズム) が、すでによく知られた方法で診断されている人工股関節周囲感染症の早期識別に正確、高感度、特異的であるかどうかを評価することです ( CDC 2014)。

具体的には、敗血症性または無菌性弛緩の治療を受けた、完全な X 線撮影履歴 (術前 X 線およびその他の一連の術後 X 線) を持つ患者集団が選択されます。

どちらの場合も、ニューラル ネットワークに「指示」するために必要です。 最初のステップは、病院のデータベースを参照して、敗血症または無菌性緩みと診断された一連の患者を特定することから成ります。 したがって、患者は敗血症性または無菌性の緩みに分類されます。 2014 年の CDC 基準が（臨床現場で日常的に行われているように）使用され、もう 1 つの重要かつ必要な基準が追加されています。それは、少なくとも 3 つの陽性の術中組織サンプル（同じ微生物）です。 無菌的に緩める場合、ケースは CDC 2014 基準を満たしてはなりません。 このようにして、患者の画像データおよび臨床データが収集される。 診断が確定したら、放射線写真材料が処理されます（セルラーニューラルネットワーク - 遺伝的アルゴリズム）。 提案された手順では、次のパイプラインと MatLab ソフトウェア (Mathworks、Natick、米国) を使用して放射線画像を処理します。

• ベースライン: 最初の移植後の画像が移植前の放射線画像と比較されます。
• 進行状況は、標準的で再現可能な投影法 (骨盤 X 線) を使用した定期的な X 線写真によって記録されます。
• 特徴は、手動でセグメント化された領域 (関心領域 - ROI) 内の各画像から抽出されます。 3 つのステップが実行されます: 1) 画像の前処理。入力データ (グレーレベル画像) の均一なフレームワークを作成します。 カラーヒストグラム均等化。 2) ニューラル ネットワークから抽出された特徴が ROI に適用されます。遺伝的アルゴリズムを使用したテンプレートのクローン作成。 フィーチャは完全に接続されたレイヤー + SoftMax によって処理されます。 3) 全結合層 + SoftMax を使用して AutoEconder から抽出された特徴。
• 微分放射線写真の特徴の分析（細胞側と畳み込み側の分析）およびベースラインとの比較。 次の方法で後処理します。 1) 完全に接続された回帰層とマルチクラス分類子: 敗血症進行リスクのパーセンテージが生成されます。 2) 完全に接続された回帰層とバイナリ分類器: 敗血症/無菌クラスターの特徴。
• 最終決定木: インデックス付き画像処理における敗血症進行リスクのパーセンテージを提供する、上記のデータの融合。 その目的は、X線撮影に適用されたニューラルネットワークが、検証された一定の基準に従って診断された晩期の慢性人工股関節周囲感染症を正確、高感度、特異的に認識できるかどうかを検証することである。