Door kunstmatige intelligentie ondersteunde segmentatie van huidperforatoren

Doelstellingen en hypothesen die getest moeten worden:

Het doel van deze eenarmige klinische proef is het valideren van de prestaties van het AI-gestuurde hulpmiddel voor huidperforatiesegmentatie (AI-tool) bij computerondersteunde FFF-oogst.

Om de voorspellende nauwkeurigheid (PA) van de AI-tool te testen bij het identificeren van de beoogde huidperforators (primair eindpunt)

• De primaire uitkomst van de PA wordt berekend op basis van het aantal waar/fout-positieve (TP/FP) en waar/fout-negatieve (TN/FN) gerichte perforators.
• De secundaire uitkomsten omvatten de gevoeligheid (SEN), specificiteit (SPE), positieve en negatieve voorspellende waarden (respectievelijk PPV en NPV).

Onze hypothese is dat het AI-gebaseerde instrument voor vaatsegmentatie een hoge mate van nauwkeurigheid zal demonstreren bij het identificeren van de huidperforators tijdens de CAS osteocutane FFF-oogst.

Onderzoeksplan:

(i) Studieontwerp

De huidige studie is een eenarmige klinische studie in één centrum om de prestaties van een AI-compatibel hulpmiddel voor huidperforatorsegmentatie bij CAS FFF-oogst te onderzoeken. Het onderzoeksprotocol moet voldoen aan de standaardprotocolitems: Aanbevelingen voor Interventionele Trials (SPIRIT) en Praktisch Robuust Implementatie- en Duurzaamheidsmodel (PRISM).

Procedure voor gegevensverzameling Er is een casusrapportformulier (CRF bijgevoegd in de bijlage) ontworpen om pre- en intra-operatieve onderzoeksgegevens te verzamelen.

Er zullen demografische gegevens van patiënten worden verzameld, waaronder leeftijd, geslacht, lichaamslengte, gewicht, body mass index (BMI), diagnose, medische geschiedenis en rookstatus.

Er zullen ook preoperatieve metingen worden verricht nadat de AI-gesegmenteerde huidperforators in de VSP zijn geïntegreerd, inclusief maar niet beperkt tot:

• Totale kuitbeenlengte
• Aantal en lengtes van fibulasegmenten
• Aantal directe tandheelkundige implantaten
• Aantal perforators

• Type perforators:

  1. Septocutaan versus musculocutaan
  2. Doelgericht (te integreren in de VSP en oogsten) versus accessoire (andere perforators)

• Relatieve locatie van de perforators, gemeten als de afstand van het meest inferieure punt van de laterale malleolus tot:

  1. Niveau van de perforator, aangezien deze het achterste deel van de fibula kruist
  2. Het punt waar het zich splitst van de peroneale slagader
• De tijd die is besteed aan het integreren van het huidperforatormodel in de originele VSP-workflow

Tijdens de operatie wordt de volgende informatie vastgelegd in CRF:

• Afwijking tussen de locaties van de huidperforators geïdentificeerd door het AI-instrument en tijdens de operatie op het punt waar deze de achterste rand van de fibula kruist
• Noodzaak van intraoperatieve aanpassingen van de VSP vanwege de discrepantie van de perforatoridentificatie
• Tevredenheid van operators over de AI-segmentatietool

Het primaire eindpunt is de voorspellende nauwkeurigheid van de AI-compatibele huidperforatorsegmentatietool. Het zal worden berekend volgens de definitie van Šimundić et al. Wanneer de huidperforator zowel door het AI-segmentatiehulpmiddel als tijdens de operatie wordt geïdentificeerd, wordt deze als echt positief (TP) geteld. Wanneer de perforator door de AI-segmentatietool wordt geïdentificeerd, maar tijdens de operatie niet wordt gevonden, wordt deze als vals-positief (FP) geteld. Wanneer de perforator tijdens de operatie wordt gezien, maar niet wordt weergegeven door de AI-tool, is dit een vals negatief (FN). Ten slotte zal een echt negatief (TN) perforatoraantal worden afgeleid van die proefpersonen die geen FN-perforator vertonen. De voorspellende nauwkeurigheid (PA) wordt geïdentificeerd als het percentage echte perforators onder alle perforators en wordt berekend als (TP +TN)/(TP+FP+TN+FN)*100%.

De secundaire uitkomsten van gevoeligheid (SEN), specificiteit (SPE), positieve en negatieve voorspellende waarden (respectievelijk PPV en NPV) van de AI-segmentatietool zullen worden berekend volgens de definitie in Tabel 1. Deze resultaten worden berekend bij de perforatorromp voor alle perforators wanneer de perforators de achterste rand van het kuitbeen kruisen, en bij de takken voor de beoogde perforators wanneer ze de onderhuidse huidlaag binnendringen.

(ii) Methoden

Prof. Pu en Prof. Su werken al enkele jaren aan computerondersteunde kaakreconstructie en virtuele chirurgische planning. Voor de eerder gefinancierde HMRF-projecten is de workflow al ingericht. De efficiëntie, voorspelbaarheid en nauwkeurigheid van het protocol zijn aangetoond in eerder gepubliceerde artikelen.

Voor het momenteel voorgestelde project willen de onderzoekers de AI-tool integreren in de huidige VSP-workflow en de prestaties ervan beoordelen. Het volledige proces zal in drie delen worden verdeeld: 1) preoperatieve voorbereiding; 2) chirurgie en intra-operatieve opname; 3) postoperatieve herwaardering. In het vooronderzoek hebben de onderzoekers via een aantal pilot cases de haalbaarheid van de methodiek vastgesteld.

1. Preoperatieve voorbereidingen:

   Preoperatieve computertomografie (CT) beeldvorming Patiënten die aan het onderzoek deelnemen, zullen een CT-scan ondergaan op een General Electric Revolution-systeem (GE Healthcare, Chicago, IL) met snijdiktes van 0,625 mm voor zowel het hoofd en de nek, als de onderste ledematen . Gejodeerd contrastmiddel (Iopamiro 370, Bracco, Israël) in een concentratie van 370 mg/ml zal intraveneus worden toegediend met een stroomsnelheid van 4 tot 5 ml/sec. In de arteriële fase zal een CT-angiogram van de onderste extremiteit worden gemaakt. De beeldgegevens worden geëxporteerd in het DICOM-formaat (Digital Imaging and Communications in Medicine).

   Door AI ondersteunde segmentatie van huidperforatoren van CT-angiogram De DICOM-gegevens van de CTA zullen worden geïmporteerd naar het AI-werkstation (United Imaging Intelligence (UII), Shanghai, China). Het scheenbeen en kuitbeen, de huid, de bloedvaten van de onderste ledematen, waaronder de voorste tibiale slagader (ATA), de achterste tibiale slagader (PTA) en de peroneale slagader (PEA), zullen worden gesegmenteerd met een vooraf ingesteld drempelbereik om de stereolithografie te genereren ( .stl) modellen. Gebaseerd op het volledige CNN van V-net, zullen de bloedvattakken van de PEA automatisch worden gesegmenteerd om de .stl te bouwen model. De kleine perforerende vaten van de PEA die lateraal over de achterste rand van het kuitbeen naar het huidoppervlak lopen, zullen worden gemarkeerd als huidperforators. De .stl-modellen van het kuitbeen-, huid-, ATA-, PTA-, PEA- en huidperforatoren worden vanaf het werkstation geëxporteerd voor integratie in de VSP-workflow.

   Virtuele operatieplanning

   Preoperatieve beeldvorming en modelbouw Preoperatieve CT-scan zal worden geïmporteerd in ProPlan CMF 2.1-software (Materialise, Leuven, België). Volumesegmentatie zal worden uitgevoerd om de virtuele 3D-modellen van de kaken te bouwen.

   Integratie van de huidperforators De .stl-modellen die vanaf het AI-werkstation worden geëxporteerd, worden geïmporteerd in het ProPlan-bestand. De fibulalengte en de locatie van de huidperforator worden gemeten en geregistreerd.

   Het oogsten, segmenteren en inbrengen van een tandheelkundig implantaat VSP zal worden uitgevoerd met behulp van de methodologie die in de voorgaande publicaties is beschreven. De omvang van de resectie wordt vooraf bepaald, op basis van het type en de omvang van de pathologie. De osteotomieën voor het oogsten en segmenteren van de fibula zullen worden gepland op basis van het defect na geleide tumorresectie. De locatie van de directe tandheelkundige implantaten wordt gemarkeerd in de fibula-segmenten. Rekening houdend met de locatie van de huidperforators kunnen de osteotomieën worden aangepast zodat ze ook het afnamepunt van de huidperforators omvatten, terwijl wordt vermeden dat de perforator rechtstreeks in geplande osteotomieën of implantaatinbrengpunten wordt geplaatst.

   Ontwerp en fabricage van chirurgische geleiders en/of platen Nadat de VSP is bevestigd, zullen de chirurgische geleiders en/of platen worden ontworpen met behulp van 3-matic 13.0-software (Materialise, Leuven, België). De locatie van de perforators wanneer ze de achterste rand van de fibula kruisen, wordt gemarkeerd met een kleine bol op de fibula-oogstgeleider. De handleidingen worden gedrukt met biocompatibele en autoclaveerbare hars - ofwel MED610 (Stratasys Ltd, Eden Prairie, MN, VS) of NextDent SG (Vertex Dental, Nederland).

2. Chirurgische procedures en intra-operatieve registratie Alle chirurgische procedures zullen worden uitgevoerd op de routinematige manier van CAS-kaakreconstructie met behulp van FFF door de PA. In het kort zullen osteotomieën, directe implantatie van tandheelkundige implantaten, botbewegingen en botinzet worden begeleid door de voorbereide chirurgische sjablonen.

   Er zullen intraoperatieve metingen worden uitgevoerd. Eventuele FP- of FN-perforators worden geregistreerd. Elke onverwachte gebeurtenis die een wijziging van het fibula-oogstplan vereist, wordt geregistreerd. Het standaard perioperatieve management zal op routinematige wijze worden uitgevoerd.

3. Postoperatieve evaluatie De postoperatieve evaluatie zal worden uitgevoerd tussen het chirurgische team onder leiding van de PA en het computerwetenschappelijke team onder leiding van de Co-A. Eventuele intraoperatieve gebeurtenissen zullen tijdig worden besproken. De gegevensinvoer wordt voor elk geval direct na de operatie uitgevoerd.

(iii) Steekproefomvang De berekening van de steekproefomvang wordt bepaald door het primaire eindpunt, dat zich richt op de voorspellende nauwkeurigheid van de AI-tool bij het identificeren van de beoogde huidperforators. Omdat het succespercentage van de conventionele methode bij het identificeren van een betrouwbare correlatie 67% bedroeg, is het doel van de AI-segmentatietool om een ​​minimale nauwkeurigheid van 80% te bereiken. Er wordt gebruik gemaakt van een eenzijdige test voor non-inferioriteit/superioriteit. De steekproefomvang wordt berekend met behulp van de exacte binomiale test voor een klinisch onderzoek naar non-inferioriteit/superioriteit met één monster. De hypothese kan als volgt worden verenigd: H0: p = p0 + δ versus Ha: p = p1. Hier vertegenwoordigt δ de grootte van het interventie-effect; p0 is gelijk aan 80% en p is de werkelijke nauwkeurigheid waarvan wordt aangenomen dat deze groter is dan 80% met een statistische kracht van ten minste 90% met een significantieniveau van 5%.

Volgens een eerder rapport over de AI-gestuurde huidperforatorsegmentatietool werd de diagnostische nauwkeurigheid gerapporteerd als 97%. De onderzoekers kunnen het werkelijke succespercentage conservatief schatten op 95% (wat neerkomt op een interventie-effectgrootte van 15%). Op basis van de berekening wordt verwacht dat een steekproefomvang van 44 een statistische power van 93,3% zal hebben. Uitgaande van ten minste één gerichte perforator voor elk geval en een uitvalpercentage van 10% na ondertekening van de geïnformeerde toestemming, zullen in totaal 49 patiënten voor het onderzoek worden gerekruteerd.

(iv) Gegevensverwerking en -analyse

Alle gegevens in dit protocol worden vastgelegd met behulp van een speciaal ontworpen CRF (bijlage). Discrepanties in de database worden voor oplossing herleid tot de originele documenten. Alle gegevens worden 100% gecontroleerd op nauwkeurigheid. De gegevensinvoer wordt uitgevoerd door twee onafhankelijke assistenten met behulp van IBM SPSS Statistics Versie 25. De consistentie van invoergegevens tussen assistenten zal worden vergeleken met behulp van een ingebouwde functie.

Voor de demografische informatie worden gegevens gepresenteerd als gemiddelde waarden met standaarddeviaties voor continue gegevens, en als tellingen met proporties voor categorische gegevens. De voorspellende nauwkeurigheid wordt berekend en weergegeven als frequentie. Het eenzijdige binominale betrouwbaarheidsinterval van 95% wordt berekend en de onderste betrouwbaarheidsgrens wordt vergeleken met 80%. De gevoeligheid, specificiteit en positieve en negatieve voorspellende waarden zullen worden berekend. Continue gegevens (afstand van perforators geïdentificeerd door de AI-tool en tijdens de operaties, locatie van de perforators ten opzichte van de totale kuitbeenlengte, grootte van de perforators, tijd- en tevredenheidsmetingen, enz.) worden uitgedrukt als gemiddelde waarden met standaardafwijking ( SD) voor normaal verdeelde gegevens en uitgedrukt als de mediaan met interkwartielbereik (IQR) of bereik voor scheve gegevens. Om het effect van verschillende verstorende variabelen op de nauwkeurigheid van door AI geïdentificeerde perforators te evalueren, zullen geschikte tests zoals Pearson of Spearman's correlatietest, t-Test of Wilcoxon Signed-rank test worden geselecteerd, afhankelijk van de normaliteit van de gegevens. De statistische significantie wordt vastgesteld op p<0,05. Alle statistische analyses worden uitgevoerd met behulp van IBM SPSS Statistics Versie 25.