Vroegtijdige discriminatie van periprothetische heupinfecties met behulp van neurale netwerken (SEPTIC-ANNR) (SEPTIC-ANNR)

Periprothetische heupinfecties zijn een hot topic in de orthopedische chirurgie, met een incidentie van ongeveer 1%. De morbiditeit, mortaliteit en extra kosten die gepaard gaan met langdurige ziekenhuisopname en verdere behandelingen zijn de belangrijkste zorgen. Periprothetische infecties worden over het algemeen gediagnosticeerd met behulp van de CDC-criteria (Center for Disease Control and Prevention) (2014). De diagnose is gebaseerd op belangrijke en minder belangrijke criteria, waaronder preoperatieve en intraoperatieve parameters. Om een ​​betrouwbare diagnose van infectie te stellen, zijn er, wanneer er geen fistels aanwezig zijn, aspiratie van synoviaal vocht of weefselmonsters vereist. Deze technieken zijn echter duur en invasief. Bovendien is de gevoeligheid niet altijd zo nauwkeurig, zoals blijkt uit een reeks revisieoperaties die werden uitgevoerd voor veronderstelde aseptische loslating, die na kweken septisch bleek te zijn. Daarom wordt de diagnose van infectie vaak laat gesteld en na een lange, complexe, dure en niet altijd doorslaggevende diagnostische opwerking, wat van invloed is op de timing en het succes van de behandeling.

Een praktische, snelle, betrouwbare en niet-invasieve (eventueel poliklinische) diagnostische procedure voor periprothetische infecties zou wenselijk zijn. Het kan vertrouwen op diagnostische beeldvorming, waardoor het verzamelen van vloeistof of weefsels wordt beperkt tot twijfelgevallen. Momenteel worden CT- en nucleair geneeskundige beeldvormingstechnieken niet routinematig toegepast bij de diagnose van infectie, vanwege de bescheiden betrouwbaarheid, kosten en blootstelling aan stralingsmiddelen.

Onlangs zijn neurale netwerken geïntroduceerd: ze bestaan ​​uit vele eenvoudige parallelle processors, diep verbonden, waardoor een rekenmodel wordt gerealiseerd. Neurale netwerken bootsen de hersenen en hun vermogen om te leren na. Computationele modellen herkennen visuele signalen, beheren complexe situaties in realtime, classificeren en beheren ruis, gebruiken associatief geheugen met realtime toegang tot grote hoeveelheden gegevens en reconstrueren gedeeltelijke of beschadigde informatie. Neurale netwerken zijn al gebruikt om het begin van infecties, metastasen en mislukte behandelingen te voorspellen, waarbij klinische en diagnostische beeldvormingsgegevens worden geïntegreerd. Tot op heden zijn er geen onderzoeken uitgevoerd naar neurale netwerken bij periprothetische infectie. Het doel van deze studie is om te evalueren of neurale netwerken (cellulaire neurale netwerken - genetisch algoritme), toegepast op conventionele radiografieën, nauwkeurig, gevoelig en specifiek zijn voor de vroege discriminatie van een periprothetische heupinfectie, die al is gediagnosticeerd met algemeen erkende methoden ( GGD 2014).

Concreet wordt een patiëntenpopulatie met een volledige radiografische voorgeschiedenis (preoperatieve röntgenfoto's en een reeks andere postoperatieve röntgenfoto's), behandeld voor septische of aseptische loslating, geselecteerd.

Beide gevallen zijn nodig om een ​​neuraal netwerk te "instrueren". De eerste stap bestaat uit het identificeren van een opeenvolgende reeks patiënten met een septische of aseptische loszittende diagnose, waarbij de ziekenhuisdatabase wordt geraadpleegd. Patiënten zijn dus categorisch verdeeld in septische of aseptische loslating. De CDC-criteria van 2014 worden gebruikt (zoals routinematig uitgevoerd in de klinische setting), waarbij nog een belangrijk en noodzakelijk criterium wordt toegevoegd: ten minste 3 positieve intraoperatieve weefselmonsters (hetzelfde micro-organisme). Bij aseptisch losmaken mag de huls niet voldoen aan de GGD 2014 criteria. Zo worden de beeldvorming en klinische gegevens van de patiënten verzameld. Nadat de diagnose is vastgesteld, wordt het radiografische materiaal verwerkt (cellulaire neurale netwerken - genetisch algoritme). De voorgestelde procedure verwerkt de radiografische beelden met behulp van de volgende pijplijn en de MatLab-software (Mathworks, Natick, VS):

• basislijn: het eerste beeld na implantatie wordt vergeleken met het radiografische beeld vóór implantatie;
• vorderingen worden vastgelegd door periodieke röntgenfoto's met behulp van standaard en herhaalbare projecties (bekkenröntgenfoto's);
• de kenmerken worden uit elke afbeelding geëxtraheerd in het handmatig gesegmenteerde gebied (interessegebied - ROI). Er vinden drie stappen plaats: 1) beeldvoorverwerking, om uniforme kaders van invoergegevens te creëren (grijswaardenbeelden). Kleurhistogram egalisatie; 2) functies die zijn geëxtraheerd uit neurale netwerken worden toegepast op ROI. Sjablonen klonen met behulp van genetische algoritmen. De features worden verwerkt door een volledig aangesloten laag + SoftMax; 3) kenmerken geëxtraheerd uit AutoEconder met volledig verbonden laag + SoftMax;
• analyse van differentiële radiografische kenmerken (analyse van cellulaire en convolutieve kanten) en vergelijking met de basislijn. Post-processing op de volgende manier: 1) volledig verbonden regressielaag en classificator met meerdere klassen: zal het percentage septische progressierisico produceren; 2) volledig verbonden regressielaag en binaire classificatie: kenmerken in de septische/aseptische clusters;
• een definitieve beslissingsboom: fusie van de bovengenoemde gegevens, die een percentage van het risico op septische progressie opleveren bij de geïndexeerde beeldvorming. Het doel is na te gaan of de neurale netwerken toegepast op radiografische beeldvorming een late, chronische periprothetische heupinfectie nauwkeurig, gevoelig en specifiek kunnen herkennen, gediagnosticeerd volgens gevalideerde en bepaalde criteria.