Nauwkeurigheid van computerondersteund (CADx) systeem bij realtime karakterisering van colorectale ulceratieve ziekten

In de eerste retrospectieve fase van het onderzoek is ons primaire doel het ontwikkelen en valideren van een CADx-systeem. Endoscopische foto's en video's zullen worden opgehaald uit de bestaande database in de studiecentra (Nanfang Hospital). Voor elke colorectale zweer zullen verschillende endoscopische beelden worden vastgelegd. Relevante demografische basisgegevens, laboratoriumrapporten, beeldvormingsrapporten, endoscopierapporten en histopathologische resultaten zullen worden verzameld voor analyse. De locatie, grootte en morfologie van elke colonlaesie zullen worden geregistreerd. De diagnose van alle colorectale ulceratieve aandoeningen werd uitgebreid geëvalueerd door onafhankelijke pathologen en gastro-enterologen. In onze studie zullen we ons concentreren op de volgende subtypes van colorectale ulceratieve laesies:

1) colorectale kanker (CA); 2) de ziekte van Crohn (CD); 3) colitis ulcerosa (UC); 4) darmtuberculose (ITB); 5) ischemische colitis (IC).

Om de vertrouwelijkheid te garanderen, worden alle gegevens vóór de centrale verwerking geanonimiseerd. Voor elk afzonderlijk onderwerp wordt een projectspecifiek serienummer gebruikt. Alle klinische gegevens en geanonimiseerde endoscopische beelden worden vertrouwelijk behandeld en niet met derden gedeeld.

Er zal een trainingscohort worden ontwikkeld op basis van het merendeel van de geïncludeerde cases, gevolgd door een validatiecohort met de overige cases. De endoscopische beelden en video's zullen worden voorbereid om het ingewikkelde neurale netwerk en het terugkerende neurale netwerk te trainen door geschikte interessegebieden (ROI) te selecteren. Meerdere ROI's binnen dezelfde colorectale ulceratieve ziekte zullen worden verzameld om selectiebias te verminderen. Annotatie en validatie van endoscopische beelden zullen worden uitgevoerd door het onderzoeksteam. De afbeeldingen worden voor verdere verwerking verder gesegmenteerd in tegels van dezelfde grootte. Deep learning-algoritmen zullen worden toegepast om kenmerken uit de beeld- en videogegevens te leren en te extraheren. We zullen het terugkerende convolutionele netwerk ontwikkelen om de complementaire informatie van visuele en temporele kenmerken uit de video te benutten. Validatiegegevens worden ook gecreëerd volgens hetzelfde principe, waardoor kruisvalidatie voor modelnauwkeurigheid mogelijk is.

In de tweede prospectieve fase van het onderzoek willen we de diagnostische nauwkeurigheid vergelijken tussen het CADx-systeem, deskundige endoscopisten en junior-endoscopisten. Er wordt prospectief een reeks testafbeeldingen en -video's verzameld van andere proefpersonen, volgens de eerdere deelnamecriteria, gevolgd door willekeurige toewijzing van door de computer gegenereerde reeksen.

Twee deskundige endoscopisten (met meer dan 5 jaar ervaring in colonoscopie en een totaal aantal procedures van meer dan 1.000) en twee junior endoscopisten (met minder dan 3 jaar ervaring in colonoscopie en een totaal aantal procedures van minder dan 500), die blind voor het uiteindelijke diagnostische resultaat, zullen worden uitgenodigd om de afbeeldingen en video's van de testset te classificeren volgens de vooraf gedefinieerde subtypen. Alle endoscopisten zullen de testsetgegevens onafhankelijk en in realtime beoordelen. Aan de andere kant scant het CADx-systeem de afbeeldingen en video's van de testset onafhankelijk. De voorspelling van de subtypes van zweren zal worden geregistreerd. Het formele diagnostische rapport na evaluatie door onafhankelijke pathologen en gastro-enterologen zal als de grondwaarheid worden beschouwd.