Onderzoek naar deep learning-gebaseerde intelligente diagnose en behandeling

Deze studie is een beeldgebaseerde klinische artificiële intelligentie-studie die tot doel heeft diepe-leermodellen te ontwikkelen, trainen en valideren voor craniomaxillofaciale multimodale beeldanalyse en intelligente klinische beslissingsondersteuning. Ongeveer 2.000 deelnemers zullen worden ingeschreven. Alle deelnemers zullen craniomaxillofaciale beeldgegevens en gerelateerde klinische informatie verkrijgen tijdens routinematige tandheelkundige, orthodontische, mond- en kaakchirurgische of daaraan gerelateerde klinische zorg.

De in deze studie gebruikte beeldgegevens kunnen tweedimensionale gezichtsfoto's, cone-beam computed tomography-beelden en driedimensionale gezichtsoppervlaktescans omvatten. Gerelateerde klinische gegevens kunnen demografische informatie, klinische diagnose, skeletale of dentale classificatie, cephalometrische metingen, behandelingsgerelateerde gegevens en beschikbare expertbeoordelingen omvatten. Deze studie zal zich richten op het ontwikkelen van AI-modellen voor craniomaxillofaciale beeldclassificatie, detectie van anatomische oriëntatiepunten, regionale segmentatie, abnormale herkenning en behandelingsgerelateerde beslissingsondersteuning.

Vóór modelontwikkeling zullen alle beeldgegevens gestandaardiseerde preprocessing ondergaan. Preprocessingprocedures kunnen beeldde-identificatie, kwaliteitsbeoordeling, formaatconversie, beeldoriëntatiecorrectie, bijsnijden, resolutienormalisatie, grijs- of intensiteitsnormalisatie, ruimtelijke registratie en region-of-interest-extractie omvatten. Voor tweedimensionale beelden zullen gestandaardiseerde gezichts- of radiografische regio's worden gedefinieerd op basis van de specifieke beeldtaak. Voor cone-beam computed tomography en driedimensionale gezichtsoppervlaktedata kan preprocessing volumetrische reconstructie, oppervlaktereconstructie, mesh-verwerking, point-cloud-verwerking of extractie van anatomische structuren omvatten.

Referentielabels zullen worden afgeleid van klinische medische dossiers, klinische diagnose en expert-handmatige annotatie. Voor segmentatietaken zullen anatomische regio's of structuren handmatig worden geannoteerd door getrainde clinici of gekalibreerde onderzoekers. Voor detctietaak van oriëntatiepunten zullen vooraf gedefinieerde anatomische oriëntatiepunten worden geannoteerd volgens gestandaardiseerde craniomaxillofaciale meetprotocollen. Voor classificatietaken zullen skeletaal patroon, dentale relatie, craniomaxillofaciale morfologiecategorie of andere klinisch betekenisvolle classificatielabels worden bepaald op basis van expertbeoordeling. Inter-observer- en intra-observerconsistentie zullen ook worden geëvalueerd om de betrouwbaarheid van handmatige annotaties en klinische labels te waarborgen.

De dataset van ongeveer 2.000 deelnemers zal worden verdeeld in trainings-, validatie- en testdatasets. Zeventig procent van de data zal worden gebruikt voor modeltraining, 15% voor modelvalidatie en 15% voor onafhankelijk testen.

Diepe-leermodellen zullen convolutionele neurale netwerken, op aandacht gebaseerde modellen en multi-task learning-modellen omvatten. Modelontwikkeling zal hyperparameteroptimalisatie, regularisatie, data-augmentatie en prestatiemonitoring op basis van de validatiedataset omvatten.

Voor beeldsegmentatietaken zal de modelprestatie worden geëvalueerd met behulp van segmentatienauwkeurigheidsmetrics, waaronder de Dice similarity coefficient, Intersection over Union, pixel-wise nauwkeurigheid, sensitiviteit, specificiteit en, waar van toepassing, grensafstandsmetrics zoals Hausdorff-afstand of gemiddelde oppervlakteafstand. Voor beeldclassificatie- en diagnostische herkenningstaken zal de modelprestatie worden geëvalueerd met behulp van nauwkeurigheid, precisie, recall, F1-score, sensitiviteit, specificiteit, positief voorspellende waarde, negatief voorspellende waarde, receiver operating characteristic curve-analyse en area under the receiver operating characteristic curve. Verwarringsmatrices zullen worden gebruikt om de verdeling van juiste en onjuiste classificaties over diagnostische categorieën te beschrijven. Voor classificatietaken met meerdere klassen kunnen macro-gemiddelde en gewogen-gemiddelde prestatiemetrics worden gerapporteerd. Voor detectietaken van anatomische oriëntatiepunten zal de modelprestatie worden geëvalueerd met behulp van gemiddelde radiale fout, gemiddelde absolute fout, succesvolle detectiepercentage binnen klinisch betekenisvolle afstandsdrempels en overeenstemming met expertannotaties.

Voor behandelingsgerelateerde beslissingsondersteuningstaken zullen modeluitvoer worden vergeleken met expert-klinisch oordeel. Evaluatiemetrics omvatten nauwkeurigheid, precisie, recall, F1-score, AUC en decision curve-analyse.

Personeel dat betrokken is bij beeldannotatie en dat verwerking zal relevante training krijgen vóór aanvang van de studie. Toegang tot identificeerbare persoonlijke gegevens zal worden beperkt tot geautoriseerd onderzoekspersoneel. De analysedatasets die worden gebruikt voor modelontwikkeling zullen zo veel mogelijk worden gedeïdentificeerd of gepseudonimiseerd.

De geplande inschrijving van ongeveer 2.000 deelnemers naar verwachting subgroepanalyses en robuustheid testen ondersteunen wanneer de verdeling van beeldvormingsmodaliteiten en klinische categorieën adequaat. Ontbrekende, niet-beschikbare, niet-interpreteerbare of inconsistente data zal worden geregistreerd.

De in deze studie ontwikkelde AI-modellen zijn bedoeld om zorgverleners te ondersteunen bij craniomaxillofaciale beeldanalyse en klinische beslissingsondersteuning. De modellen zullen geen professionele klinische diagnose of individuele behandelplanning door gekwalificeerde clinici vervangen. Elke toekomstige klinische toepassing van deze modellen zal verdere validatie, klinische beoordeling en passende institutionele of regelgevende goedkeuring vereisen.