Klinisk og genetisk analyse av ROP ((ROP))

Denne NIH-finansierte multisenterstudien begynte i juli 2011 med 8 studiesteder godkjent av deres individuelle IRB. Rekruttering og data ble utført på følgende nettsteder: OHSU, Columbia Universtiy, Cornell College, William Beaumont Hospital, Children's Hospital LA, University of Miami, University of Illinois Chicago, Cedars Sinai Medical Center og Asociacion para Evitar la Ceguera (APEC) i Mexico By. For konkurransedyktig fornyelse av stipendet som begynner 6-01-20, er rekrutteringsstedene redusert til 5 som inkluderer OHSU, William Beaumont, University of Illinois Chicago, University of Utah og Stanford University.

Denne studien vil ta sikte på å utvikle et kvantitativt rammeverk for ROP-pleie ved bruk av kunstig intelligens og analyser for å forbedre klinisk sykdomsbehandling. Etterforskerne vil evaluere ytelsen til et kunstig intelligenssystem for ROP-diagnose og screening prospektivt. Dette vil inkludere: (a) rekruttere et mål på over 2000 øyeundersøkelser, inkludert vidvinklede netthinnebilder fra 375 forsøkspersoner ved 5 sentre, (b) optimalisere en bildekvalitetsdeteksjonsalgoritme etterforskerne nylig har utviklet, og (c) analysere systemets nøyaktighet for ROP-diagnose (pluss vs. pre-pluss vs. normal) og screening (ved bruk av en ny kvantitativ vaskulær alvorlighetsskala).

Det foreslåtte arbeidet vil studere spedbarn som vil få rutinemessige oftalmoskopiske undersøkelser og få tatt netthinnebilder ved hver undersøkelse i henhold til standarden for omsorg ved hver institusjon. Minst én person på hvert sted er opplært til å ta vidvinklede netthinnebilder ved hjelp av et kommersielt tilgjengelig kamera (RetCam; Natus, Pleasanton, CA). Denne enheten er FDA-godkjent for premature spedbarn, og har blitt brukt over hele verden i 20 år uten kjente komplikasjoner.

Alle spedbarn som deltar vil gjennomgå netthinnefotografering av opplært studiepersonell for opptil 3 øyeundersøkelser, eller mer hvis det er klinisk indisert og mulig. "Utfødte spedbarn", som ble overført til studiesenteret for spesialisert ROP-omsorg, vil få tatt minst ett sett med bilder hvis dette er klinisk indisert og mulig. Disse kodede netthinnebildene vil bli lest og tolket av eksterne ekspertgradere som bruker det sikre nettbaserte systemet utviklet for denne studien for 9 år siden ved OHSU. De avidentifiserte bildene vil bli lagret på ubestemt tid i et OHSU IRB-godkjent depot for mulige fremtidige forskningsstudier eller for andre utdanningsformål.

De fleste spedbarn rekruttert fra de første 9 årene av denne studien mellom juli 2011 og mai 2020 hadde DNA samlet fra blod- eller spyttprøver. De kodede genetiske prøvene er plassert i et OHSU IRB-godkjent depot og vil bli analysert av eksterne samarbeidspartnere for spesifikt mål 3 i denne studien. Merk at denne nåværende studien ikke involverer ny innsamling av blod- eller spyttprøver.

De siste årene har teamet vårt utviklet konkurransedyktige bildevurderingsmetoder for å utlede ROP-status ved å bruke (i) konstruerte bildefunksjoner basert på å oversette beskrivende og visuelle beskrivelser relatert til ekspertvurdering. og (ii) dypt lærte funksjoner basert på ende-til-ende-trening av nevrale nettverk for bildeanalyse. For å forbedre modellens forklarbarhet, må modellene ikke bare gi klassifiseringsetiketter (diagnostiske) eller alvorlighetsscore, men også tilleggsinformasjon om hvordan en modell produserer sine beslutninger og hva med et bestemt bilde som styrer beslutningen. For dette formål er det nyttig for en modell å (i) visualisere treningsdataene sine; og (ii) illustrere hvilke trekk ved inngangsbildet dens beslutning var avhengig av. Visualisering kan gi en overordnet demonstrasjon av hvordan en modell produserer sine beslutninger på tvers av et datasett med kjente kliniske og demografiske kjennetegn, noe som bidrar til generell tolkning av modellens logikk. Illustrasjon er avgjørende for å oppnå tillit og for å lette validering når klinikere stoler på modellen for å vurdere en bestemt instans for ulike formål, inkludert opplæring eller regulatorisk godkjenning.

Mens de trente AI-systemet i tidligere arbeid, ekskluderte etterforskerne 5 % av bildene som ble vurdert av flertallet av klasserne som "ikke akseptabel kvalitet". For bruk i den virkelige verden vil det være viktig å balansere bildebarhet med diagnostisk ytelse. Etterforskerne foreslår å evaluere vårt eksisterende datasett for å bestemme det optimale driftspunktet i CNN-kvalitetsalgoritmen som balanserer bildebarhet med diagnostisk ytelse til i-ROP DL-klassifikatoren. Etterforskerne vil fortsette disse studiene for å systematisk undersøke deres innvirkning på forbedring av bildekvalitet og diagnostisk ytelse - og maksimere strenghet og reproduserbarhet av studiedesign. Dette driftspunktet vil da være "låst", og det lukkede systemet brukes som nedenfor.

Prospektiv evaluering av i-ROP DL-klassifikator: Etterforskerne foreslår å beregne den vektede kappa mellom RSD og i-ROP DL-systemet, sammen med sensitivitet, spesifisitet og bildebarhet basert på de optimale operasjonspunktene identifisert ovenfor.

Prospektiv evaluering av vaskulær alvorlighetsgrad: I en tverrsnittsanalyse vil etterforskerne teste hypotesen om at ROP vaskulær alvorlighetsgrad, avledet fra i-ROP DL-klassifikatoren, kan vise høy sensitivitet både for påvisning av pluss sykdom og for å identifisere behandling- som krever sykdom i en reell ROP-screeningpopulasjon.