IA-modell for akutt blindtarmbetennelse i CT

Utvikling av informasjon av vedleggsmodell

- Denne studien brukte en forhåndstrent informasjon av appendix (IA) modell basert på et helautomatisert diagnostisk rammeverk for å forutsi tre klasser med sannsynlighet og funksjonskartlegging: ikke-appendisitt, enkel blindtarmbetennelse og komplisert blindtarmbetennelse.

Rørledningen av IA-modellinnbyggingsparametere lært fra 3D CT-bildet av 7 147 pasienter besto av en totrinns binær algoritme koblet til overføringslæring med tre 3D CNN-modeller: DenseNet, EfficientNet og ResNet.

- En to-trinns binær algoritme for overføringslæring ble brukt for å lære iboende mønstre fra 3D-bildene til tre ekte klasser, slik en kliniker gjør når de bestemmer seg for behandling for blindtarmbetennelse. I det første trinnet av rørledningen ble en trinn 1-klassifiseringsmodell utviklet for å identifisere ikke-appendisitt vs. blindtarmbetennelse. I det andre trinnet av rørledningen identifiserte trinn 2-klassifiseringsmodellen enkel versus komplisert blindtarmbetennelse fra dataene som ble overført med de trenbare parameterne lært i trinn 1.

Foreløpig er den endelige IA-modellen eksternt validert ved bruk av et aldri tidligere sett datasett fra en ekstern institusjon med brede valgbarhetskriterier for pasienter som oppsøkte legevakten med magesmerter og gjennomgikk abdominopelvic CT på grunn av klinisk mistanke om akutt blindtarmbetennelse.

Intervensjon Dette er en komparativ studie mellom menneskelige og IA-modeller for negativ blindtarmsoperasjon (NAR) i ikke-, enkel og komplisert blindtarmbetennelse av et prospektivt randomisert datasett, som ble samlet inn fra CT-skanninger av pasienter som besøkte legevakten med akutt abdominal. smerte. Deltakerne i kontrollarmen var ti ikke-radiologer.

IA-modellen har ikke lov til å hindre den preoperative beslutningsprosessen til klinikere i pågående klinisk praksis angående de juridiske og etiske aspektene ved å avhøre de diagnostiske rammene til IA-modellen om den matematiske begrunnelsen for et utfall når det gjelder beskyttelse av menneskelige subjekter.

Tatt i betraktning den minimale risikoen for mennesker og de etiske og juridiske aspektene ved kunstig intelligens, allokerer studiedesignet strengt CT-bilder til ikke-radiologer og IA-modeller etter fullført behandling for blindtarmbetennelse med eller uten patologisk bekreftelse.

Dataallokering og resultatevaluering

- For å sammenligne IA-modellen med mennesker og ikke-radiologer likt, bør tolkningsbetingelsen for en ikke-radiolog oppfylle alle kriteriene som følger: Bare CT-bilder uten slike variabler som alder, kjønn og laboratorieverdier bør tildeles tilfeldig; tilknytningen til både ikke-radiologen og pasienten til CT-bildet bør ikke være den samme; allokeringsforholdet for ikke-appendisitt, enkel og komplisert blindtarmbetennelse tildelt ikke-radiologen bør blindes; og rekkevidden til CT-bildet for tolkning bør være identisk med området for ROI for vedlegget, som genereres ved automatisk lokalisering av IA-modellen. For å evaluere den diagnostiske ytelsen hos mennesker, ble fire testelementer satt opp av en ikke-radiolog som følger: (1) visualisering av appendix; (2) utelukkelse av blindtarmbetennelse; (3) komplikasjoner; og (4) diagnose av CT-bilder.

De primære og sekundære resultatene ble vurdert ved å bruke resultatene av de fire spørsmålene for deltakerne og den diagnostiske ytelsen til IA-modellen i samme datasett.

Etisk erklæring I henhold til "Veiledning for bruk av helsedata" og "Veiledning for håndtering av pseudonyminformasjon" fra Personopplysningsbeskyttelseskommisjonen i Helse- og velferdsdepartementet, ble dataeksfiltrering med sikkerhetsgaranti av dataarkivet utført med godkjenning av Data Review Board ved deltakende institusjoner. Den sentrale institusjonelle vurderingskomiteen (IRB) og IRB-ene til alle deltakende institusjoner godkjente denne studien.

Prøvestørrelse og statistiske metoder Etterforskernes tidligere studie, som fullførte ekstern validering av IA-modellen gjennom dataeksfiltrering av eksterne institusjoner, viste en NAR på 12,4 % i det eksterne datasettet. Standard referanseverdi for ikke-radiologer for NAR er rapportert til 10,5 % ± 5 %. Derfor bør den akseptable forskjellen i NAR mellom IA-modellen og ikke-radiologer for klinisk anvendelse være mindre enn 10,0 % av non-inferiority marginen.

Utvalgsstørrelsen for det randomiserte kontrollerte datasettet for en enkelt institusjon var 263 forutsatt et 95 % konfidensintervall, statistisk styrke på 90 %, tosidig α = 0,05, signifikansnivå = 0,05 og effektstørrelse = 0,2 ved Z-testen . To eksterne institusjoner deltok i denne studien. På grunn av dataheterogenitet, normalisering og prevalensforskjeller på tvers av regioner mellom de to eksterne institusjonene, ble utvalgsstørrelsen beregnet for hver institusjon. Derfor, forutsatt 263 pasienter per institusjon med et oppfølgingstap på 10 %, var den totale utvalgsstørrelsen 568.