Tynntarms dyplæringsalgoritmeprosjekt

Introduksjon.

Hovedformålet med studien er å evaluere nøyaktigheten til dyplæringsalgoritmer for å skille mellom normal og unormal terminal ileum mot erfarne radiologer på MR-enterografibilder.

Studien bygger på eksisterende forskning, som har vist at statistiske metoder kan identifisere steder for tynntarms Crohns sykdom. Imidlertid var prosessen tidkrevende >1 time og ikke helautomatisk. Prosjektet vårt undersøker om banebrytende «dyplæring»-algoritme (basert på nevrale nettverk) kombinert med økt datakraft kan gi nøyaktig og tidsriktig informasjon.

Prosjektet er designet i fellesskap av spesialistradiologer i gastrointestinal avbildning (som er klar over utfordringene med å avbilde Crohns sykdom nøyaktig) og Imperial College Computer Science Department (som har erfaring med å utvikle nevrale nettverk for medisinsk avbildning). Innspill og anmeldelse fra London North-West Research and Development-avdelingen er også anerkjent.

Studere design.

Retrospektiv design og rekruttering.

Studien vil retrospektivt identifisere kvalifiserte pasienter og bruke en påfølgende case-sampling-teknikk (alle kvalifiserte bilder vil bli inkludert arbeider baklengs fra de siste).

Denne retrospektive tilnærmingen går på akkord mellom at generaliserbarheten av funn reduseres kontra studien som utføres relativt raskt og til lave kostnader (studien har ingen bevilgningsfinansiering).

Etterforskerne er sikre på generaliserbarheten til resultatene som et rekrutteringsmål på 113 normale tilfeller og 113 tilfeller med terminal ileal sykdom bør dekke spekteret av normale og unormale utseende (tidligere studier har brukt <50 bildesett).

Tilfeller med normal terminal ileum på MR er inkludert da en tilnærming til algoritmeutvikling innebærer sammenligning av avbildningstrekk ved normal og unormal terminal ileum på MR-studier.

Ikke-eksperimentell tilnærming.

Metoden bruker MR-skanninger utført som en del av standard klinisk behandling. Ingen ytterligere bildediagnostikk er utført for denne studien. Studieresultatene vil ikke endre den aktuelle behandlingen/de kvalifiserte pasientene tar.

Samtykke og konfidensialitet.

Siden bildene som brukes til algoritmeutvikling er fullstendig anonymiserte, vil det ikke innhentes eksplisitt samtykke. Dette følger veiledning fra General Medical Council Guidelines i 2011 og The Royal College of Radiologists (UK) i 2017 som oppgir anonymiserte opptak kan deles for bruk i forskning uten samtykke.

MR-bilder brukt i denne studien ble tatt som en del av rutinemessig standard klinisk behandling, og vil rutinemessig bli sett på av radiologene som deltok i denne studien som en del av deres normale arbeidspraksis.

Så snart passende pasient er identifisert vil pasientens bilder kopieres i fullstendig anonymisert form uten direkte eller indirekte identifikatorer. En robust anonymiseringsfunksjon er inkludert i bildevisningsprogrammet for radiologi. Studieemneidentifikatorer vil bli tilfeldig tildelt for å forhindre pseudo-anonymisering hvis skanninger fra samme pasient på forskjellige tidspunkt er inkludert.

Ingen sensitive/pasientidentifiserbare data vil bli overført for algoritmeutvikling under studien. Algoritmeutviklingen er basert på å matche MR-pikselintensiteter til sykdomsskårer/annoteringer på tvers av flere skanninger. Anonymisering påvirker ikke pikslene i bildet. Kun aggregerte data vil bli presentert i publikasjoner – det vil si at eksempler på enkelttilfeller ikke vil bli publisert.

Interessekonflikt. Forskerne på denne studien erklærer ingen interessekonflikt.