AIを活用した卵巣腫瘍の集学的診断システムの確立と臨床応用

方法/設計研究の目的 この研究の最初の目的は、AI 主導のタスクをサポートするために、超音波、MRI 画像、臨床指標データを含むマルチモーダル卵巣腫瘍公開データセットを構築することです。 このデータセットは、さまざまな種類の医療データを統合し、包括的な AI 分析とモデルのトレーニングを促進します。 この研究では、畳み込みニューラル ネットワーク (CNN) テクノロジーを採用することで、マルチモーダル画像のインテリジェントなマルチクラス認識の実現を目指しています。 これには、卵巣腫瘍の最も一般的な 10 種類の病理学的タイプを正確に予測できる補助診断モデルのトレーニングと検証を目的として、画像データから特徴を抽出および分析し、それらを特徴レベルで多次元臨床データと統合することが含まれます。 さらに、この研究では、プライバシー保護コンピューティングとフェデレーテッド ラーニング手法を利用して、多施設の将来に向けた最適化とモデルの検証を実施します。 これらの方法により、データのセキュリティとプライバシーが確保され、同時にモデルの共同トレーニングが可能になります。 最終的な目標は、ほとんどの卵巣腫瘍の病理学的タイプを予測し、臨床現場で導入できる臨床補助診断システムを開発することです。 この包括的なアプローチは、医療画像処理における AI テクノロジーの強みを活用し、データのセキュリティを確保しながら卵巣腫瘍の診断の精度と信頼性を高めることを目的としています。

研究環境 この研究は中国の北京で実施されます。 研究対象者は、首都医科大学と提携している北京紫地潭病院、北京友誼病院、北京産婦人科病院から提供されている。 これらの病院は多様な患者集団を提供しており、これが研究結果の一般化可能性を裏付けています。

研究対象者 研究対象者は、卵巣腫瘍と診断され、外科的治療を受けた患者である。 予測モデルの開発に使用された症例は、2018 年 1 月から 2023 年 1 月までに連続して登録された患者から得られています。 臨床応用検証症例は、2023 年 6 月から 2025 年 6 月までの間に患者から前向きに収集される予定です。 研究の両方の部分の対象基準は次のとおりです。(1) 卵巣腫瘍と診断され、外科的治療を受けた患者。 (2) 手術前 3 か月以内に完全な画像データ (超音波または MRI) および腫瘍マーカー結果が得られた患者。 さらに、2 番目の部分では、参加者からのインフォームドコンセントが必要です。 除外基準は以下のとおりである：（1）卵巣に由来しない外科的病変を有する患者。 (2) 重複したケース。 (3) 化学療法または放射線療法を受けた患者。 (4) 再発例。 (5) 卵巣病変の画像品質が低い。 (6) 不完全な症例情報。

倫理 研究プロトコールは、首都医科大学付属北京詩地潭病院の倫理委員会によって審査され、承認されています。 倫理承認番号は [番号を提供] です。 研究はヘルシンキ宣言の原則に従って実施される。 モデル開発段階では、遡及的な症例にはインフォームド・コンセントの免除が認められています。 臨床検証段階では、すべての参加者は研究開始前にインフォームド・コンセントフォームを読み、自発的に参加に同意し、インフォームド・コンセントフォームに署名します。

データ収集 研究者は、研究対象者から画像データ（骨盤超音波、骨盤 MRI）および臨床データ（一般情報、病歴、家族歴、身体検査、臨床検査、病理報告書、臨床診断など）を収集します。 これは、分類とセグメンテーションのアノテーションを備えた多峰性卵巣腫瘍データセットの構築に役立ち、その後の多峰性卵巣腫瘍補助診断モデルの開発に AI データセットのサポートを提供します。 研究が進むにつれ、研究者らはデータセットの柔軟な拡張とディープマイニングを実現し、マルチモーダルデータセットの標準化されたプロトコルを確立し、効果的なデータ共有を可能にすることを目指しています。

画像データの処理、セグメンテーション、および分類の注釈 このプロジェクトでは、OpenSlide ツールを利用して画像を処理し、ピクセル寸法が 300 の倍数になるようにサイズを変更します。 その後、画像は 300 × 300 ピクセルのセクションに分割され、PNG 形式に変換されます。 病変の正確なセグメンテーションは、正確な画像認識の基礎です。 このプロジェクトには、婦人科医のチームと北杭大学電子情報工学部の専門家が参加しており、専門的な注釈ソフトウェア LabelMe を使用して、病理学的結果に基づいて画像のセグメンテーションと分類の注釈を付け、それによってセグメント化および分類されたデータベースを作成します。 たとえば、2D 超音波画像の場合、卵巣腫瘍の位置がマークされ、対応する分類ラベルに変換されて、病変が手動でセグメント化されます。

セグメンテーションの精度と結果をさらに向上させるために、この研究では、マルチスケール特徴融合モジュールとマルチレベル損失関数最適化を組み込んだ卵巣腫瘍画像セグメンテーション ネットワーク アーキテクチャを構築します。 全体的なネットワーク アーキテクチャは、スーパーピクセル セグメンテーションとディープ ラーニングを組み合わせ、畳み込みニューラル ネットワーク (CNN) の強力な特徴抽出機能を活用してエッジ情報を強化し、セグメンテーションの精度を向上させます。

画像認識AIを活用したAIによる卵巣腫瘍補助診断システムの構築 入力されたマルチモーダル画像（超音波画像、MRI画像）に対して、視覚特徴抽出を行います。 病変の分類とセグメンテーションの視覚的タスクに対処するために、2 つのアルゴリズム モデル、つまり密な残差構造モデルとマルチレベルのエッジ認識構造モデルが構築されます。 これらのモデルにより、マルチモーダル画像内の病理学的タイプのインテリジェントな認識が可能になります

多次元構造データを統合した予測モデル まず、畳み込みニューラル ネットワークを使用してピクセル レベルの予測結果 (セグメンテーション結果) を生成し、AI アルゴリズムが AI 予測結果 (事後確率) を提供します。 その後、事後確率ベクトルが構造化データ (年齢、主訴、罹患期間、身体検査所見、臨床検査、その他の臨床指標) と特徴融合されます。 これらは新しい特徴ベクトルに連結され、決定モデル (XGBoost など) によってさらに分析されて、卵巣腫瘍の病理学的カテゴリが決定されます。 モデルは、ゴールドスタンダードとして病理学的結果を使用してトレーニングおよび検証されます。

補助診断システム 多モード卵巣腫瘍補助診断システムは、いくつかの階層レベルで構成されています。 システムは、下から上の 4 つの主要なレベルで構成されます。 1）基礎となるモジュール: このモジュールは主に、深層学習推論の高速化を提供し、システムの動作に必要な基本機能を確保します。 2）基本アプリケーションライブラリ（基盤層）：この層は、医療情報処理とプラットフォームログ記録に必須のライブラリを提供します。 3）深層学習フレームワーク（深層学習推論層）：システムのインテリジェントコアとして機能し、インテリジェントなシステム推論に必要な基礎的な深層学習フレームワークを提供します。 これには、さまざまなプラットフォーム間で正確なニューラル ネットワーク モデル推論をサポートする、一般的に使用されるニューラル ネットワーク推論ライブラリが含まれます。 4）アプリケーション層（アプリケーション層とコンポーネント層に分かれる）：プラットフォームシステムに必要なサービスを提供する層です。 独立して機能し、疎結合されたモジュールを備え、柔軟かつ拡張可能になるように設計されています。 各層は比較的分離されており、それぞれが独立した機能を提供します。 プラットフォーム システムはボトムアップで設計されており、ユーザーがプラットフォームと直接対話できる、ユーザーフレンドリーで外部にカプセル化された操作インターフェイスを備えています。

マルチモーダル卵巣腫瘍補助診断システムには、いくつかの重要な機能があります。 まず、ユーザーの要件に応じて超音波画像や MRI 画像、医療記録を読み取り、必要に応じてフォーマットを変換できます。 次に、無関係な情報を削除して画像と医療記録を前処理し、その後のモデル推論を容易にします。 病変認識モジュールは、分類とセグメンテーションの両方を実行し、病変の確率を推定し、潜在的な病変領域を特定します。 最後に、データ後処理モジュールは、分類結果の決定レベルの融合を実行し、病変領域に自動的に注釈を付け、医療記録情報を組み合わせて病理学的タイプを予測する補助診断結果を生成します。

多施設の前向き補助診断システムの最適化と臨床応用の検証 3 つの研究センターの婦人科腫瘍チームの協力により、多モード卵巣腫瘍補助診断システムは、外科病理学の結果をゴールドスタンダードとして、多施設で前向きの臨床応用が行われます。 マルチモーダル卵巣腫瘍補助診断システムの全体的およびさまざまな病理学的カテゴリーにわたる診断性能は、特異度、感度、陽性的中率、陰性的中率、および領域などの指標を比較することによって、メインセンターと補助センターで評価されます。 ROC 曲線 (AUC)。 システムは、パフォーマンスを向上させるために継続的に検証および最適化されます。 卵巣腫瘍補助診断システムの臨床的有効性を評価するため、3研究施設における卵巣腫瘍補助診断システムの適用前後で術前診断と術後の病理結果の整合性を比較する。

水平連合学習に基づく多センター補助診断システム最適化パラダイム 水平連合学習に基づく多センター補助診断システム最適化パラダイムには、メインセンターによる補助診断モデルの管理と配布が含まれます。 他のセンターは、独自のデータを使用して補助診断システムを微調整し、更新されたパラメーターをメインセンターに提供する増分学習メカニズムを適用しています。 このプロセスにより、センター全体のデータプライバシーを維持しながら、卵巣腫瘍のインテリジェントな認識が向上します。 まず、メインセンターは AI ベースの多峰性卵巣腫瘍予測モデルを構築します。 このモデルは暗号化されてブランチ センターに配布されます。 ブランチ センターは、特定のデータ プール サイズに達し、アノテーション標準を満たした後、モデルの最適化を開始します。 最後に、モデルを微調整した後、各センターは更新されたパラメーターをメイン センターにアップロードします。 メイン センターはモデルのパフォーマンスを評価して、モデル バージョンの反復が必要かどうかを判断します。 そうである場合、更新されたモデルが再配布され、多施設モデルの最適化のための水平連合学習の閉ループが実現されます。

統計分析 サンプルサイズの計算

1. マルチモーダル卵巣腫瘍補助診断モデルの開発段階 必要なサンプルサイズは、経験に基づいたモデル構築方法である EPV (Events per Variable) 法を使用して推定されます。 通常、各変数には 10 ～ 20 のポジティブなイベントが必要です。この研究では、研究者らは EPV を 20 に設定しました。 研究者らは、診断モデルに 20 個の独立変数 (およびダミー変数) を含めると予想しているため、20 * 20 = 400 件の悪性症例が必要になります。 予備データによると、悪性 (真陽性) 卵巣腫瘍患者の割合は約 30% です。 したがって、必要なサンプル サイズの合計は 400 / 0.30 = 1334 ケースとなります。 20% のデータ損失率を考慮すると、トレーニング セットの最終サンプル サイズは 1667 ケースになります。 トレーニング セットと検証セットは 4:1 の比率に従い、検証セットのサンプル サイズは 418 ケースになります。 したがって、必要なサンプル サイズの合計は 2084 件であり、各センターが等しい割合を提供します。
2. 多施設共同、前向きシステムの臨床応用検証および最適化フェーズ 研究のこの部分では、主に精度を測定することによって補助診断システムの臨床応用効果を評価します。 したがって、診断テストのサンプルサイズの計算式が使用されます。

Se=90% (診断システムの感度)、Sp=90% (診断システムの特異性)、統計的および臨床専門家の意見に基づいて、errABS=5% は予想される絶対誤差、α=0.05 を指します。 サンプルサイズの計算式によれば、真陽性グループには 140 件が含まれる必要があります。 予備データによると、悪性 (真陽性) 卵巣腫瘍患者の割合は約 30% です。 したがって、必要なサンプル サイズの合計は 140 / 0.30 = 467 ケースになります。 追跡率が 20% 低下することを考慮すると、最終的なサンプルサイズは 584 例となり、各施設が等しい割合で貢献します。

データ管理 すべてのデータは、研究用に設計された電子症例報告フォーム (eCRF) に登録されます。 各サブセンターは、指定された担当者によって管理される独立したデータベースを構築します。 標準化されたデータ入力検証プロセスが確立され、研究プロトコルに厳密に従ってデータが正確かつタイムリーに記録されることが保証されます。 アップロードされたデータの正確性と完全性を確認するために、定期的な評価が行われます。 各センターのデータ管理者は、eCRF に収集されたデータを医療記録などのソース文書と照合して検証し、データ収集プロセスをレビューします。 メインセンターのスタッフは、データの信頼性を確認するために、すべての参加センターに対して定期的に現場検査を実施します。 この研究では、プライバシー コンピューティング テクノロジーを採用して各センターのデータの独立性とセキュリティを確保し、データのプライバシーを確​​保しながらマルチセンター モデルの最適化と検証のサービスを提供します。

データ分析 正規分布した連続データの場合、グループ間比較は独立サンプルの t 検定を使用して実行され、グループ内比較は対応のある t 検定を使用して実行されます。 非正規分布の連続データおよび順序データの場合、グループ間比較にはマン-ホイットニー U 検定が使用され、グループ内比較にはウィルコクソンの符号付き順位検定が使用されます。 順序付けされていないカテゴリデータの場合、グループ間比較にはカイ二乗 (χ²) 検定またはフィッシャーの直接確率検定が使用され、グループ内比較にはマクネマー検定が使用されます。ROC 曲線下面積 (AUC) は、次の方法を使用して統計的に検定されます。 DeLong テスト、感度と特異度は Jeffreys 間隔を使用して計算されます。 同じ被験者間の相関を考慮して、グループ間比較には中心効果を調整した一般化推定方程式 (GEE) 方法が使用されます。 他の指標の分析は、ベースライン分析と同じ方法論に従います。