IA-model voor acute appendicitis bij CT

Ontwikkeling van informatie over het bijlagemodel

- Deze studie maakte gebruik van een vooraf getraind informatie-van-appendicix (IA)-model gebaseerd op een volledig geautomatiseerd diagnostisch raamwerk om drie klassen te voorspellen met waarschijnlijkheids- en kenmerktoewijzing: niet-appendicitis, eenvoudige appendicitis en gecompliceerde appendicitis.

De pijplijn van IA-modelinbeddingsparameters, geleerd uit het 3D CT-beeld van 7.147 patiënten, bestond uit een tweetraps binair algoritme dat verbonden was met het overbrengen van leren met drie 3D CNN-modellen: DenseNet, EfficientNet en ResNet.

- Een tweetraps binair algoritme voor transfer learning werd toegepast om inherente patronen te leren uit de 3D-beelden van drie echte klassen, zoals een arts doet bij het beslissen over de behandeling van appendicitis. In de eerste stap van de pijplijn werd een fase 1-classificatiemodel ontwikkeld om niet-appendicitis versus appendicitis te identificeren. In de tweede stap van de pijplijn identificeerde het Fase 2-classificatiemodel eenvoudige versus gecompliceerde appendicitis op basis van de gegevens die werden overgedragen met de trainbare parameters die in Fase 1 waren geleerd.

Momenteel is het uiteindelijke IA-model extern gevalideerd met behulp van een nooit eerder vertoonde dataset van een externe instelling met brede geschiktheidscriteria voor patiënten die de eerste hulp bezochten met buikpijn en een CT van het bekken ondergingen vanwege een klinische verdenking op acute appendicitis.

Interventie Dit is een vergelijkend onderzoek tussen menselijke en IA-modellen voor het negatieve appendectomiepercentage (NAR) bij niet-, eenvoudige en gecompliceerde appendicitis van een prospectief gerandomiseerde dataset, die werd verzameld uit CT-scans van patiënten die de eerste hulp bezochten met acute buikpijn. pijn. De deelnemers aan de controlearm waren tien niet-radiologen.

Het IA-model mag het preoperatieve besluitvormingsproces van artsen in de lopende klinische praktijk niet belemmeren met betrekking tot de juridische en ethische aspecten van het ondervragen van de diagnostische raamwerken van het IA-model over de wiskundige redenering voor een resultaat in termen van bescherming van menselijke proefpersonen.

Gezien het minimale risico voor menselijke proefpersonen en de ethische en juridische aspecten van kunstmatige intelligentie, wijst het onderzoeksontwerp CT-beelden strikt toe aan niet-radiologen en IA-modellen na voltooiing van de behandeling voor appendicitis met of zonder pathologische bevestiging.

Gegevenstoewijzing en prestatie-evaluatie

- Om het IA-model gelijkelijk te vergelijken met mensen en niet-radiologen, moet de interpretatievoorwaarde voor een niet-radioloog als volgt aan alle criteria voldoen: alleen CT-beelden zonder variabelen als leeftijd, geslacht en laboratoriumwaarden mogen willekeurig worden toegewezen; aansluiting van zowel de niet-radioloog als de patiënt bij het CT-beeld mag niet hetzelfde zijn; de toewijzingsratio voor niet-appendicitis, eenvoudige en gecompliceerde appendicitis die aan de niet-radioloog wordt toegewezen, moet geblindeerd zijn; en het bereik van het CT-beeld voor interpretatie moet identiek zijn aan het bereik van de ROI voor de appendix, die wordt gegenereerd door automatische lokalisatie van het IA-model. Om de diagnostische prestaties bij mensen te evalueren, werden door een niet-radioloog vier testitems als volgt opgesteld: (1) visualisatie van de appendix; (2) uitsluiting van appendicitis; (3) complicaties; en (4) diagnose van CT-beelden.

De primaire en secundaire uitkomsten werden beoordeeld met behulp van de resultaten van de vier vragen voor de deelnemers en de diagnostische prestaties van het IA-model in dezelfde dataset.

Ethische verklaring Volgens de "Guide to Utilizing Healthcare Data" en "Guide to Handling Pseudonym Information" van de Personal Information Protection Commission van het Ministerie van Volksgezondheid en Welzijn werd data-exfiltratie met veiligheidsgarantie van het data-archief uitgevoerd met goedkeuring van de Data Review Board bij deelnemende instellingen. De Central Institutional Review Board (IRB) en IRB's van alle deelnemende instellingen hebben dit onderzoek goedgekeurd.

Steekproefomvang en statistische methoden Uit het eerdere onderzoek van de onderzoekers, waarin de externe validatie van het IA-model werd afgerond door middel van data-exfiltratie van externe instellingen, bleek een NAR van 12,4% in de externe dataset. De standaardreferentiewaarde voor niet-radiologen voor NAR is gerapporteerd als 10,5% ± 5%. Daarom zou het aanvaardbare verschil in NAR tussen het IA-model en niet-radiologen voor klinische toepassing minder dan 10,0% van de non-inferioriteitsmarge moeten zijn.

De steekproefgrootte voor de gerandomiseerde gecontroleerde dataset voor één instelling was 263, uitgaande van een betrouwbaarheidsinterval van 95%, een statistische kracht van 90%, tweezijdige α = 0,05, significantieniveau = 0,05 en effectgrootte = 0,2 bij de Z-test . Aan dit onderzoek hebben twee externe instellingen deelgenomen. Vanwege de heterogeniteit van gegevens, normalisatie en prevalentieverschillen tussen regio's tussen de twee externe instellingen, werd de steekproefomvang voor elke instelling berekend. Uitgaande van 263 patiënten per instelling met een follow-upverlies van 10% bedroeg de totale steekproefomvang dus 568.