Oprichting en klinische toepassing van een op AI gebaseerd multimodaal diagnosesysteem voor eierstoktumoren

Methoden/ontwerp Doel van het onderzoek Het eerste doel van dit onderzoek is het construeren van een multimodale openbare dataset voor ovariumtumoren die echografie, MRI-beelden en klinische indicatorgegevens omvat ter ondersteuning van AI-gestuurde taken. Deze dataset zal diverse soorten medische gegevens integreren om uitgebreide AI-analyse en modeltraining mogelijk te maken. Door gebruik te maken van convolutionele neurale netwerktechnologie (CNN) streeft het onderzoek naar intelligente multiklasse-herkenning van multimodale beelden. Dit omvat het extraheren en analyseren van kenmerken uit beeldgegevens en het integreren ervan met multidimensionale klinische gegevens op kenmerkniveau, met als doel het trainen en valideren van een aanvullend diagnostisch model dat in staat is om op zijn minst de tien meest voorkomende pathologische typen eierstoktumoren nauwkeurig te voorspellen. Bovendien zal de studie gebruik maken van privacybehoudende computersystemen en federatieve leermethoden om multicenter, prospectieve optimalisatie en validatie van het model uit te voeren. Deze methoden garanderen gegevensbeveiliging en privacy en maken training in samenwerkingsmodellen mogelijk. Het uiteindelijke doel is het ontwikkelen van een klinisch hulpdiagnostisch systeem dat de pathologische typen van de meeste eierstoktumoren kan voorspellen en in klinische omgevingen kan worden geïmplementeerd. Deze alomvattende aanpak heeft tot doel de sterke punten van AI-technologie op het gebied van medische beeldvorming te benutten, de gegevensbeveiliging te waarborgen en tegelijkertijd de nauwkeurigheid en betrouwbaarheid van de diagnose van eierstoktumoren te verbeteren.

Studiesetting Dit onderzoek wordt uitgevoerd in Beijing, China. De proefpersonen zijn afkomstig van het Beijing Shijitan Hospital, het Beijing Friendship Hospital en het Beijing Obstetrics and Gynecology Hospital, die allemaal verbonden zijn aan de Capital Medical University. Deze ziekenhuizen bieden een diverse patiëntenpopulatie, wat de generaliseerbaarheid van de onderzoeksresultaten ondersteunt.

Studiesubjecten De studiesubjecten zijn patiënten bij wie eierstoktumoren zijn vastgesteld en die een chirurgische behandeling hebben ondergaan. De casussen die zijn gebruikt voor het ontwikkelen van het voorspellende model zijn afkomstig van patiënten die tussen januari 2018 en januari 2023 achtereenvolgens waren ingeschreven. Klinische toepassingsvalidatiegevallen zullen tussen juni 2023 en juni 2025 prospectief worden verzameld bij patiënten. De inclusiecriteria voor beide delen van het onderzoek zijn als volgt: (1) patiënten bij wie eierstoktumoren zijn vastgesteld en die een chirurgische behandeling hebben ondergaan; (2) patiënten met volledige beeldgegevens (echografie of MRI) en tumormarkerresultaten verkregen binnen drie maanden voorafgaand aan de operatie. Bovendien vereist het tweede deel geïnformeerde toestemming van de deelnemers. De uitsluitingscriteria zijn als volgt: (1) patiënten met chirurgische pathologie die niet afkomstig is van de eierstok; (2) dubbele gevallen; (3) patiënten die chemotherapie of radiotherapie hebben gekregen; (4) terugkerende gevallen; (5) beeldvorming van slechte kwaliteit van eierstoklaesies; en (6) onvolledige zaakinformatie.

Ethiek Het onderzoeksprotocol is beoordeeld en goedgekeurd door de ethische commissie van het Beijing Shijitan Hospital, verbonden aan de Capital Medical University. Het ethische goedkeuringsnummer is: [nummer opgeven]. Het onderzoek zal worden uitgevoerd in overeenstemming met de principes van de Verklaring van Helsinki. Voor de modelontwikkelingsfase is aan retrospectieve gevallen ontheffing van geïnformeerde toestemming verleend. Voor de klinische validatiefase zullen alle deelnemers een geïnformeerde toestemmingsformulier lezen voordat het onderzoek begint, vrijwillig akkoord gaan met deelname en het geïnformeerde toestemmingsformulier ondertekenen.

Gegevensverzameling De onderzoekers verzamelen beeldgegevens (echografie van het bekken, MRI van het bekken) en klinische gegevens (algemene informatie, medische geschiedenis, familiegeschiedenis, lichamelijk onderzoek, laboratoriumtests, pathologierapporten, klinische diagnose, enz.) van de proefpersonen. Dit zal helpen bij het construeren van een multimodale dataset voor ovariumtumoren met annotaties voor classificatie en segmentatie, waardoor AI-datasetondersteuning wordt geboden voor de daaropvolgende ontwikkeling van multimodale aanvullende diagnostische modellen voor ovariumtumoren. Naarmate het onderzoek vordert, streven de onderzoekers naar een flexibele uitbreiding en deep mining van de dataset, het opstellen van gestandaardiseerde protocollen voor multimodale datasets en het mogelijk maken van effectief delen van gegevens.

Verwerking, segmentatie en classificatie van beeldgegevens Annotatie Dit project maakt gebruik van de OpenSlide-tool om afbeeldingen te verwerken, waarbij de grootte ervan wordt aangepast om ervoor te zorgen dat de pixelafmetingen een veelvoud van 300 zijn. De afbeeldingen worden vervolgens opgesplitst in secties van 300×300 pixels en geconverteerd naar PNG-formaat. Nauwkeurige segmentatie van laesies is van fundamenteel belang voor nauwkeurige beeldherkenning. Bij het project zijn een team van gynaecologen en experts van de School of Electronic and Information Engineering van de Beihang Universiteit betrokken, die de professionele annotatiesoftware LabelMe gebruiken voor beeldsegmentatie en classificatie-annotatie op basis van pathologische resultaten, waardoor een gesegmenteerde en geclassificeerde database ontstaat. In het geval van 2D-echografiebeelden worden de laesies bijvoorbeeld handmatig gesegmenteerd, waarbij de locaties van de eierstoktumoren worden gemarkeerd en omgezet in overeenkomstige classificatielabels.

Om de nauwkeurigheid en resultaten van de segmentatie verder te verbeteren, construeert deze studie een netwerkarchitectuur voor beeldsegmentatie van eierstoktumoren, waarin een fusiemodule op meerdere schaalkenmerken en optimalisatie van de verliesfunctie op meerdere niveaus zijn opgenomen. De algehele netwerkarchitectuur combineert superpixelsegmentatie met deep learning, waarbij gebruik wordt gemaakt van de sterke functie-extractiemogelijkheden van convolutionele neurale netwerken (CNN) om randinformatie te verbeteren en de nauwkeurigheid van de segmentatie te verbeteren.

Het construeren van een AI-gebaseerd hulpdiagnosesysteem voor eierstoktumoren, waarbij gebruik wordt gemaakt van AI voor beeldherkenning Voor de multimodale invoerbeelden (echografie en MRI) wordt extractie van visuele kenmerken uitgevoerd. Om de visuele taken van laesieclassificatie en -segmentatie aan te pakken, zijn twee algoritmemodellen geconstrueerd: een dicht reststructuurmodel en een randbewust structuurmodel met meerdere niveaus. Deze modellen maken intelligente herkenning van pathologische typen in multimodale beelden mogelijk

Voorspellend model dat multidimensionaal gestructureerde gegevens integreert Ten eerste worden convolutionele neurale netwerken gebruikt om voorspellingsresultaten op pixelniveau te genereren (segmentatieresultaten) en AI-algoritmen bieden AI-voorspellingsresultaten (posterieure waarschijnlijkheden). Vervolgens wordt de posterieure waarschijnlijkheidsvector gefuseerd met gestructureerde gegevens (leeftijd, voornaamste klacht, duur van de ziekte, bevindingen van lichamelijk onderzoek, laboratoriumtests en andere klinische indicatoren). Deze worden samengevoegd tot een nieuwe kenmerkvector, die vervolgens verder wordt geanalyseerd door een beslissingsmodel (zoals XGBoost) om de pathologische categorie van de eierstoktumor te bepalen. Het model is getraind en gevalideerd met pathologische resultaten als gouden standaard.

Hulpdiagnosesysteem Het multimodale hulpdiagnosesysteem voor eierstoktumoren is gestructureerd in verschillende hiërarchische niveaus. Het systeem bestaat uit vier hoofdniveaus, van onder naar boven: 1）Onderliggende module: deze module is primair verantwoordelijk voor het bieden van versnelling van diepgaande leerinferentie, waardoor de fundamentele capaciteiten worden gewaarborgd die nodig zijn voor de werking van het systeem. 2）Basisapplicatiebibliotheek (basislaag): deze laag biedt essentiële bibliotheken voor de verwerking van medische informatie en het opnemen van platformlogboeken. 3) Deep Learning Framework (Deep Learning Inference Layer): Het dient als de intelligente kern van het systeem en biedt de fundamentele deep learning-frameworks die nodig zijn voor intelligente systeeminferentie. Dit omvat veelgebruikte neurale netwerkinferentiebibliotheken die nauwkeurige neurale netwerkmodelinferentie op verschillende platforms ondersteunen. 4）Applicatielaag (onderverdeeld in applicatielaag en componentlaag): deze laag biedt de noodzakelijke services voor het platformsysteem. Het is ontworpen om flexibel en uitbreidbaar te zijn, met onafhankelijk functionele, losjes gekoppelde modules. De lagen zijn relatief ontkoppeld en bieden elk een onafhankelijke functionaliteit. Het platformsysteem is van onderop ontworpen en beschikt over een gebruiksvriendelijke, extern ingekapselde operationele interface die directe gebruikersinteractie met het platform mogelijk maakt.

Het multimodale hulpdiagnosesysteem voor eierstoktumoren heeft verschillende sleutelfuncties. Ten eerste kan het apparaat echografie- en MRI-beelden lezen, evenals medische dossiers, afhankelijk van de gebruikersvereisten, en het formaat indien nodig converteren. Vervolgens worden de beelden en medische dossiers voorbewerkt door irrelevante informatie te verwijderen, wat latere modelafleiding vergemakkelijkt. De laesieherkenningsmodule voert zowel classificatie als segmentatie uit, schat de laesiekansen in en identificeert potentiële laesiegebieden. Ten slotte voert de gegevensnaverwerkingsmodule classificatieresultaten op beslissingsniveau samen, annoteert automatisch laesiegebieden en genereert aanvullende diagnostische resultaten die pathologische typen voorspellen door de medische dossierinformatie te combineren.

Multicenter, prospectieve hulpdiagnosesysteemoptimalisatie en klinische toepassingsvalidatie Door samenwerking tussen gynaecologische oncologieteams uit drie onderzoekscentra zal het multimodale ovariumtumorhulpdiagnosesysteem multicenter, prospectieve klinische toepassing ondergaan, waarbij chirurgische pathologieresultaten als de gouden standaard worden gebruikt. De diagnostische prestaties van het multimodale hulpdiagnosesysteem voor ovariumtumoren, zowel in het algemeen als over de verschillende pathologische categorieën heen, zullen worden geëvalueerd in de hoofd- en secundaire centra door metingen te vergelijken zoals specificiteit, gevoeligheid, positief voorspellende waarde, negatief voorspellende waarde en gebied onder de diagnose. ROC-curve (AUC). Het systeem zal voortdurend worden gevalideerd en geoptimaliseerd om de prestaties te verbeteren. De consistentie tussen preoperatieve diagnose en postoperatieve pathologische resultaten zal voor en na de toepassing van het hulpdiagnosesysteem voor eierstoktumoren in de drie onderzoekscentra worden vergeleken, om de klinische effectiviteit van het hulpdiagnosesysteem te evalueren.

Multicenter hulpdiagnosesysteemoptimalisatieparadigma gebaseerd op horizontaal federatief leren Het multicenter hulpdiagnosesysteemoptimalisatieparadigma gebaseerd op horizontaal federatief leren omvat het beheer en de distributie van het hulpdiagnosemodel door het hoofdcentrum. Andere centra passen incrementele leermechanismen toe, waarbij ze hun eigen gegevens gebruiken om het hulpdiagnosesysteem te verfijnen en bijgewerkte parameters aan het hoofdcentrum te verstrekken. Dit proces zorgt voor een verbeterde intelligente herkenning van eierstoktumoren, terwijl de gegevensprivacy tussen de centra behouden blijft. In eerste instantie construeert het hoofdcentrum een ​​op AI gebaseerd multimodaal ovariumtumorvoorspellingsmodel. Dit model wordt vervolgens gecodeerd en gedistribueerd naar de filiaalcentra. De filiaalcentra starten, nadat ze een bepaalde datapoolgrootte hebben bereikt en aan de annotatienormen hebben voldaan, de modeloptimalisatie. Ten slotte uploadt elk centrum, na het verfijnen van de modellen, de bijgewerkte parameters naar het hoofdcentrum. Het hoofdcentrum evalueert de modelprestaties om te bepalen of een modelversie-iteratie noodzakelijk is. Als dat het geval is, wordt het bijgewerkte model opnieuw gedistribueerd, waardoor een gesloten lus van horizontaal federatief leren wordt bereikt voor modeloptimalisatie in meerdere centra.

Statistische analyse Berekening van de steekproefomvang

1. Ontwikkelingsfase van het multimodale ovariumtumorhulpdiagnosemodel De vereiste steekproefomvang wordt geschat met behulp van de EPV-methode (Events per Variable), een op ervaring gebaseerde methode voor het construeren van modellen. Elke variabele vereist doorgaans 10-20 positieve gebeurtenissen; in deze studie stelden de onderzoekers de EPV vast op 20. De onderzoekers verwachten twintig onafhankelijke variabelen (en dummyvariabelen) in het diagnostische model op te nemen, waardoor er 20 * 20 = 400 kwaadaardige gevallen nodig zijn. Voorlopige gegevens geven aan dat het aandeel kwaadaardige (echt positieve) ovariumtumorpatiënten ongeveer 30% bedraagt. Daarom bedraagt ​​de totaal vereiste steekproefomvang 400/0,30 = 1334 gevallen. Rekening houdend met een gegevensverliespercentage van 20% bedraagt ​​de uiteindelijke steekproefomvang voor de trainingsset 1667 gevallen. De trainingsset en validatieset volgen een verhouding van 4:1, wat resulteert in een steekproefomvang van de validatieset van 418 gevallen. De totale vereiste steekproefomvang bedraagt ​​dus 2084 gevallen, waarbij elk centrum een ​​gelijk aandeel bijdraagt.
2. Multicenter, prospectieve klinische toepassingsvalidatie- en optimalisatiefase Dit deel van het onderzoek evalueert voornamelijk het klinische toepassingseffect van het hulpdiagnosesysteem door de nauwkeurigheid te meten. Daarom wordt de formule voor het berekenen van de steekproefomvang voor diagnostische tests gebruikt.

Se=90% (Gevoeligheid van het diagnostische systeem), Sp=90% (Specificiteit van het diagnostische systeem), Gebaseerd op statistische en klinische meningen van deskundigen, verwijst errABS=5% naar de verwachte absolute fout, α=0,05. Volgens de formule voor het berekenen van de steekproefomvang vereist de werkelijk positieve groep de opname van 140 gevallen. Voorlopige gegevens geven aan dat het aandeel kwaadaardige (echt positieve) ovariumtumorpatiënten ongeveer 30% bedraagt. Daarom is de totale vereiste steekproefomvang 140 / 0,30 = 467 gevallen. Rekening houdend met een verlies voor de follow-up van 20% bedraagt ​​de uiteindelijke steekproefomvang 584 gevallen, waarbij elk centrum een ​​gelijk aandeel bijdraagt.

Gegevensbeheer Alle gegevens worden geregistreerd in een elektronisch casusrapportformulier (eCRF) dat voor het onderzoek is ontworpen. Elk subcentrum zal een onafhankelijke database opzetten die wordt beheerd door aangewezen personeel. Er zal een gestandaardiseerd verificatieproces voor gegevensinvoer worden opgezet, dat ervoor zorgt dat de gegevens nauwkeurig en tijdig worden geregistreerd, in strikte overeenstemming met het onderzoeksprotocol. Er zullen regelmatig evaluaties worden uitgevoerd om de juistheid en volledigheid van de geüploade gegevens te controleren. Gegevensmanagers in elk centrum zullen de in de eCRF's verzamelde gegevens verifiëren aan de hand van brondocumenten zoals medische dossiers en het gegevensverzamelingsproces beoordelen. Medewerkers van het hoofdcentrum zullen bij alle deelnemende centra periodiek inspecties ter plaatse uitvoeren om de authenticiteit van de gegevens te verifiëren. Bij het onderzoek zal gebruik worden gemaakt van privacycomputertechnologie om de onafhankelijkheid en veiligheid van de gegevens van elk centrum te garanderen, waarbij diensten worden geleverd voor de optimalisatie en validatie van multicentermodellen en tegelijkertijd de gegevensprivacy wordt gewaarborgd.

Gegevensanalyse Voor normaal verdeelde continue gegevens zullen intergroepsvergelijkingen worden uitgevoerd met behulp van de independent samples t-test, en intragroepsvergelijkingen zullen worden uitgevoerd met behulp van de gepaarde t-test. Voor niet-normaal verdeelde continue gegevens en ordinale gegevens zal de Mann-Whitney U-test worden gebruikt voor vergelijkingen tussen groepen, en de Wilcoxon-test met ondertekende rangorde voor intragroepsvergelijkingen. Voor ongeordende categorische gegevens zal de chikwadraattoets (χ²) of de Fisher's exact-toets worden gebruikt voor intergroepsvergelijkingen, en de McNemar-toets voor intragroepsvergelijkingen. Het gebied onder de ROC-curve (AUC) zal statistisch worden getest met behulp van de DeLong-test, en de gevoeligheid en specificiteit zullen worden berekend met behulp van het Jeffreys-interval. Gezien de correlatie tussen dezelfde onderwerpen, zullen intergroepsvergelijkingen gebruik maken van de Generalized Estimation Equation (GEE)-methode, aangepast voor centrumeffecten. De analyse van andere indicatoren zal dezelfde methodologie volgen als de basisanalyse.