Konvertering av ultralydbilder til CT-format ved bruk av kunstig intelligens-basert læring

Bakgrunn og begrunnelse for det medisinske eksperimentet:

Ultralydavbildning er en avbildningsmetode som bruker lydbølger til å karakterisere strukturen og funksjonen til ulike organer ved helse- og sykdomstilstander. Denne teknikken er mye brukt i det kliniske dagliglivet og har mange fordeler. Eksamen involverer ikke bruk av ioniserende stråling, så bruken er tryggere enn andre teknikker som røntgen eller CT-skanning (Computed Tomography). Bildene som tas og vises på ultralydapparatet er sanntid, slik at endringer kan identifiseres, noe som i mange tilfeller påvirker den endelige diagnosen. Testen er ikke-invasiv, og testen krever heller ikke bruk av kontrastmiddel som inneholder stoffer som kan forårsake allergisk reaksjon eller svekke nyrefunksjonen. I tillegg er utstyret allment tilgjengelig, og kan også brukes ved sengekanten. Bortsett fra de nevnte fordelene, har ultralydtesten også bemerkelsesverdige ulemper. Ultralydbølgene trenger ikke godt gjennom bein eller luft, og svekker dermed testkvaliteten. I tillegg er metoden svært avhengig av operatørens dyktighet, så det kreves betydelig erfaring for å produsere tilstrekkelig kvalitetsinformasjon og stille en nøyaktig diagnose. Kvaliteten på testen avhenger også av forsøkspersonens samarbeid under testen, slik som endringer i holdning og dyp pusting.

Sammenlignet med ultralydundersøkelsen gir CT-skanningen et bredere anatomisk syn, og er ikke begrenset av fysiologiske faktorer som bein og luft. De mest bemerkelsesverdige manglene ved CT-skanningen inkluderer det faktum at testen krever ioniserende stråling som uunngåelig medfører en direkte og indirekte fare for pasientens helse. I tillegg krever testen mer ressurser økonomisk og arbeidskraftsmessig, noe som er en begrensning i bruken utenfor sykehuset eller i land med dårlig sosioøkonomisk status.

I denne studien har etterforskerne som mål å bygge bro mellom disse to typene teknikker og skape et enhetlig system som utnytter begge. Dette gjøres ved å lage CT-bilder fra ultralydbilder. Denne prosessen vil innebære bruk av kunstig intelligens metoder, nemlig maskinlæringsalgoritmer.

Maskinlæring generelt, og dyplæring spesielt, har skutt fart de siste årene innen datasyn og i senere tid også innen medisinsk bildediagnostikk. I tillegg kan man allerede se betydelige suksesser i klassifiseringen av netthinnesykdommer, der sensoren er et funduskamera eller Optical Coherence Tomography (OCT), i klassifiseringen av klassifikasjoner i MR-avbildning av bryst 3, og mer nylig, i klassifisering av alvorlighetsgraden av sykdommen forårsaket av Corona-viruset, ved hjelp av røntgenbilder av thorax og ultralyd.

Maskinlæring omfatter to faser. I den første fasen trener algoritmen på taggede data, ved hjelp av arkitekturer og målfunksjoner, som gjør det mulig å oppnå høy nøyaktighet. I det andre trinnet vil etterforskerne teste algoritmen for data som ennå ikke er observert. Det skal bemerkes at en stor mengde tagget data kan være svært nyttig for å utvikle algoritmen, men samtidig kan det være vanskelig å produsere tagget data og det kan være en lang og kostbar prosess. Derfor vil etterforskerne bruke uovervåket eller semi-overvåket tilnærming.

Mål for medisinsk forskning: Å gi sonografisk og radiografisk informasjon til et kunstig intelligenssystem med det formål å lage CT-bilder fra ultralydbilder, for å tillate bedre romlig orientering samt bedre karakterisering av de skannede anatomiske strukturene.

Type studie: En prospektiv, åpen studie der både legen og pasienten er klar over måten og formålet med skanningen.

Eksperimentell prosedyre: Deltakere som oppfyller studiekriteriene vil gjennomgå en fullstendig ultralydskanning av bukorganene ved hjelp av et klinisk ultralydapparat i Imaging Institute ved Haemek medisinske senter. Beregnet varighet av eksamen er 20 minutter. Ultralydbildene vil bli visuelt koblet til tidligere CT-bilder av samme pasient på undersøkelsestidspunktet, ved hjelp av et Fusion-system plassert i ultralydapparatet nevnt ovenfor.

Merk at dersom deltakeren kom til en klinisk ultralydundersøkelse som uansett skulle foregå, vil han bestå den kliniske undersøkelsen som vanlig, og deretter separat gjennom undersøkelsen beskrevet ovenfor som en del av studien.

De koblede CT- og ultralydbildene vil bli kodet og sendt til SAMPL-laboratoriet i Weizmann-instituttet, der bildene vil tjene som en læringsplattform for det kunstige intelligenssystemet. Bildene overføres først etter at emnets personlige detaljer er kodet inn i en EXCEL-fil og lagret av hovedetterforskeren. Bare hovedforskeren og sekundærforskerne vil bli eksponert for forhåndskodingsinformasjon, som vil lagres på en dedikert datamaskin hos hovedforskeren, passordbeskyttet.

Den innsamlede kodede informasjonen vil bli videreformidlet fortløpende under forskningen til Weizmann Instituttet, for å sikre god innhenting av informasjon og mulighet for sanntids tilbakemelding til hovedforsker til fordel for å innhente informasjon av bedre kvalitet som muliggjør dataanalyse.

I enhver fremtidig bruk av SAMPL-laboratoriet for detaljer om deltakerne, må det kontaktes med serienummeret når kodenøkkelen utelukkende vil være på det kliniske stedet (Haemek Hospital). SAMPL-laboratoriet ved Weizmann-instituttet vil ikke på noen måte og på noe stadium i eksperimentet bli eksponert for identifiserende informasjon om deltakerne.

Overvåking av deltakere og rapportering av medisinske funn

Dersom uventede medisinske funn som er viktige for pasientens helse oppdages i løpet av studien, er det hovedutforskerens ansvar å overføre disse til behandlende lege uten opphold for videre oppfølging og behandling etter behov av vanlig medisinsk behandling. Deltakerne vil ikke bli fulgt opp etter den eksperimentelle skanningen som en del av den kliniske studien.