Et datastøttet (CADx） System i sanntidskarakterisering av kolorektale ulcerøse sykdommer

Målet med denne observasjonsstudien er å konstruere og validere et datastøttet (CADx） System i sanntidskarakterisering av kolorektale ulkrerative sykdommer. Endoskopiske bilder og videoer vil bli hentet fra eksisterende database i studiesentrene. For hvert kolorektal sår vil forskjellige endoskopiske visninger bli fanget opp. Relevant demografisk baseline, laboratorierapporter, bildediagnostikkrapporter, endoskopirapporter og histopatologiske resultater vil bli samlet inn for analyse. Plasseringen, størrelsen og morfologien til hver tykktarmslesjon vil bli registrert. Diagnosen av all kolorektal ulcerøs sykdom ble grundig evaluert av uavhengige patologer og gastroenterologer. I vår studie vil vi fokusere på følgende undertyper av kolorektale ulcerøse lesjoner:

1. kolorektal kreft (CA);
2. Crohns sykdom (CD);
3. Ulcerøs kolitt (UC);
4. intestinal tuberkulose (ITB);
5. iskemisk kolitt (IC). Alle data vil bli avidentifisert før sentral behandling for å sikre konfidensialitet. Et prosjektspesifikt serienummer vil bli brukt for å representere hvert enkelt fag. Alle kliniske data og avidentifiserte endoskopiske bilder vil bli holdt konfidensielt og vil ikke bli delt med noen tredjepart.

En opplæringskohort vil bli utviklet fra flertallet av de inkluderte casene, etterfulgt av en valideringskohort med de resterende casene. De endoskopiske bildene og videoene vil bli forberedt for å trene det kronglete nevrale nettverket og tilbakevendende nevrale nettverket ved å velge passende regioner av interesse (ROI). Flere ROI innenfor samme kolorektale ulcerøs sykdom vil bli samlet inn for å redusere seleksjonsbias. Annotering og validering av endoskopiske bilder vil bli utført av forskningsteamet. Bildene vil bli ytterligere segmentert i fliser av samme størrelse for videre behandling. Dyplæringsalgoritmer vil bli brukt for å lære og trekke ut funksjoner på bilde- og videodata. Vi vil utvikle det tilbakevendende konvolusjonsnettverket for å utnytte den komplementære informasjonen til visuelle og tidsmessige funksjoner hentet fra videoen. Valideringsdata lages også under samme prinsipp som muliggjør kryssvalidering for modellnøyaktighet.