Etablering og klinisk anvendelse av AI-basert multimodalt diagnosesystem for ovarietumorer

Metoder/designstudie Mål Det første målet med denne studien er å konstruere et offentlig multimodalt ovariesvulst datasett som inkluderer ultralyd, MR-bilder og kliniske indikatordata for å støtte AI-drevne oppgaver. Dette datasettet vil integrere ulike typer medisinske data for å lette omfattende AI-analyse og modelltrening. Ved å bruke CNN-teknologi (convolutional neural network) søker studien å oppnå intelligent multiklasse-gjenkjenning av multimodale bilder. Dette innebærer å trekke ut og analysere funksjoner fra bildedata og integrere dem med multidimensjonale kliniske data på funksjonsnivå, med mål om å trene og validere en hjelpediagnostisk modell som er i stand til nøyaktig å forutsi minst de ti vanligste patologiske typene av eggstoksvulster. I tillegg vil studien bruke personvernbevarende databehandling og fødererte læringsmetoder for å utføre multisenter, prospektiv optimalisering og validering av modellen. Disse metodene vil sikre datasikkerhet og personvern samtidig som de muliggjør opplæring i samarbeidsmodeller. Det endelige målet er å utvikle et klinisk hjelpediagnostisk system som kan forutsi patologiske typer av de fleste eggstoksvulster og implementeres i kliniske omgivelser. Denne omfattende tilnærmingen tar sikte på å utnytte styrken til AI-teknologi innen medisinsk bildebehandling, og sikre datasikkerhet samtidig som den øker nøyaktigheten og påliteligheten til diagnostisering av eggstokksvulster.

Studiemiljø Denne studien er utført i Beijing, Kina. Studieemnene er hentet fra Beijing Shijitan Hospital, Beijing Friendship Hospital og Beijing Obstetrics and Gynecology Hospital, som alle er tilknyttet Capital Medical University. Disse sykehusene gir en mangfoldig pasientpopulasjon, noe som støtter generaliserbarheten til studiefunnene.

Studieobjekter Studieobjektene er pasienter diagnostisert med ovariesvulster som har gjennomgått kirurgisk behandling. Sakene som ble brukt for å utvikle den prediktive modellen er hentet fra pasienter som ble påmeldt fortløpende mellom januar 2018 og januar 2023. Kliniske søknadsvalideringssaker vil bli samlet inn prospektivt fra pasienter mellom juni 2023 og juni 2025. Inklusjonskriteriene for begge deler av studien er som følger: (1) pasienter diagnostisert med eggstokksvulster som har gjennomgått kirurgisk behandling; (2) pasienter med fullstendige bildedata (ultralyd eller MR) og tumormarkørresultater oppnådd innen tre måneder før operasjonen. I tillegg krever den andre delen informert samtykke fra deltakerne. Eksklusjonskriteriene er som følger: (1) pasienter med kirurgisk patologi som ikke stammer fra eggstokken; (2) dupliserte saker; (3) pasienter som har mottatt kjemoterapi eller strålebehandling; (4) tilbakevendende tilfeller; (5) avbildning av dårlig kvalitet av eggstokklesjoner; og (6) ufullstendig saksinformasjon.

Etikk Studieprotokollen er gjennomgått og godkjent av etikkkomiteen ved Beijing Shijitan Hospital, tilknyttet Capital Medical University. Etikkgodkjenningsnummeret er: [gi nummer]. Studien vil bli utført i samsvar med prinsippene i Helsinki-erklæringen. For modellutviklingsfasen har retrospektive saker fått dispensasjon fra informert samtykke. For den kliniske valideringsfasen vil alle deltakerne lese et informert samtykkeskjema før studien starter, frivillig godta å delta og signere skjemaet for informert samtykke.

Datainnsamling Etterforskerne vil samle inn bildedata (bekkenultralyd, bekken-MR) og kliniske data (generell informasjon, sykehistorie, familiehistorie, fysisk undersøkelse, laboratorietester, patologirapporter, klinisk diagnose, etc.) fra studiepersonene. Dette vil bidra til å konstruere et multimodalt ovariesumor-datasett med klassifiserings- og segmenteringsmerknader, og gi AI-datasettstøtte for den påfølgende utviklingen av multimodale ovariesumor-hjelpediagnostiske modeller. Etter hvert som forskningen skrider frem, har etterforskerne som mål å oppnå fleksibel utvidelse og dyp mining av datasettet, etablere standardiserte protokoller for multimodale datasett og muliggjøre effektiv datadeling.

Bildedatabehandling, segmentering og klassifiseringsannotering Dette prosjektet bruker OpenSlide-verktøyet til å behandle bilder, endre størrelsen på dem for å sikre at pikseldimensjonene er multipler av 300. Bildene blir deretter delt opp i 300×300 pikselseksjoner og konvertert til PNG-format. Nøyaktig segmentering av lesjoner er grunnleggende for presis bildegjenkjenning. Prosjektet involverer et team av gynekologer, samt eksperter fra School of Electronic and Information Engineering ved Beihang University, som bruker den profesjonelle merknadsprogramvaren LabelMe for bildesegmentering og klassifiseringsannotering basert på patologiske resultater, og skaper dermed en segmentert og klassifisert database. For eksempel, når det gjelder 2D-ultralydbilder, segmenteres lesjonene manuelt, med ovariesumorlokasjoner markert og konvertert til tilsvarende klassifiseringsetiketter.

For ytterligere å forbedre segmenteringsnøyaktigheten og resultatene, konstruerer denne studien en ovariesumorbildesegmenteringsnettverksarkitektur, som inkluderer en multi-skala funksjonsfusjonsmodul og multi-nivå tapsfunksjonsoptimalisering. Den generelle nettverksarkitekturen kombinerer superpikselsegmentering med dyp læring, og utnytter de sterke funksjonsekstraksjonsmulighetene til konvolusjonelle nevrale nettverk (CNN) for å forbedre kantinformasjon og forbedre segmenteringsnøyaktigheten.

Konstruere et AI-basert Ovariantumor-hjelpediagnosesystem ved å bruke AI for bildegjenkjenning For de multimodale inngangsbildene (ultralyd og MR) utføres visuell funksjonsekstraksjon. For å løse de visuelle oppgavene med lesjonsklassifisering og segmentering, er to algoritmemodeller konstruert: en tett reststrukturmodell og en flernivås kantbevisst strukturmodell. Disse modellene muliggjør intelligent gjenkjennelse av patologiske typer i multimodale bilder

Prediktiv modell som integrerer flerdimensjonale strukturerte data For det første brukes konvolusjonelle nevrale nettverk til å generere prediksjonsresultater på pikselnivå (segmenteringsresultater) og AI-algoritmer gir AI-prediksjonsresultater (posteriore sannsynligheter). Deretter smeltes den bakre sannsynlighetsvektoren sammen med strukturerte data (alder, hovedklage, sykdomsvarighet, fysiske undersøkelsesfunn, laboratorietester og andre kliniske indikatorer). Disse settes sammen til en ny funksjonsvektor, som deretter analyseres videre av en beslutningsmodell (som XGBoost) for å bestemme den patologiske kategorien til eggstokksvulsten. Modellen er trent og validert ved å bruke patologiske resultater som gullstandard.

Hjelpediagnosesystem Det multimodale ovarietumor hjelpediagnosesystemet er strukturert i flere hierarkiske nivåer. Systemet består av fire hovednivåer, fra bunn til topp: 1）Underliggende modul: Denne modulen er primært ansvarlig for å gi dyp læringsslutningsakselerasjon, og sikre de grunnleggende egenskapene som kreves for systemdrift. 2）Basic Application Library (Foundation Layer): Dette laget tilbyr viktige biblioteker for medisinsk informasjonsbehandling og plattformloggregistrering. 3） Deep Learning Framework (Deep Learning Inference Layer): Det fungerer som den intelligente kjernen i systemet, gir de grunnleggende dyplæringsrammene som er nødvendige for intelligent systeminferens. Dette inkluderer ofte brukte nevrale nettverksslutningsbiblioteker som støtter presis nevrale nettverksmodellslutninger på tvers av forskjellige plattformer. 4）Applikasjonslag (underdelt i applikasjonslag og komponentlag): Dette laget tilbyr de nødvendige tjenestene for plattformsystemet. Den er designet for å være fleksibel og utvidbar, med uavhengig funksjonelle, løst koblede moduler. Lagene er relativt frakoblet, og hver av lagene gir uavhengig funksjonalitet. Plattformsystemet er designet fra bunnen og opp, med et brukervennlig, eksternt innkapslet operativt grensesnitt som tillater direkte brukerinteraksjon med plattformen.

Det multimodale ovarietumor hjelpediagnosesystemet har flere nøkkelfunksjoner. For det første kan den lese ultralyd- og MR-bilder, samt medisinske journaler, i henhold til brukerkrav, og konvertere formatet etter behov. Den forhåndsbehandler deretter bildene og medisinske journalene ved å fjerne irrelevant informasjon, noe som letter etterfølgende modellslutning. Lesjonsgjenkjenningsmodulen utfører både klassifisering og segmentering, estimerer lesjonssannsynligheter og identifiserer potensielle lesjonsområder. Til slutt utfører etterbehandlingsmodulen for data på beslutningsnivå fusjon av klassifiseringsresultater, merker automatisk lesjonsområder og genererer hjelpediagnostiske resultater som forutsier patologiske typer ved å kombinere journalinformasjonen.

Multisenter, prospektivt hjelpediagnosesystemoptimalisering og klinisk applikasjonsvalidering Gjennom samarbeid mellom gynekologiske onkologiske team fra tre forskningssentre, vil det multimodale hjelpediagnosesystemet for eggstokksvulster gjennomgå multisenter, prospektiv klinisk anvendelse, med kirurgiske patologiresultater brukt som gullstandarden. Den diagnostiske ytelsen til det multimodale ovarietumor hjelpediagnosesystemet, både overordnet og på tvers av forskjellige patologiske kategorier, vil bli evaluert i hoved- og dattersentrene ved å sammenligne beregninger som spesifisitet, sensitivitet, positiv prediktiv verdi, negativ prediktiv verdi og areal under ROC-kurve (AUC). Systemet vil kontinuerlig valideres og optimaliseres for å forbedre ytelsen. Konsistensen mellom preoperativ diagnose og postoperative patologiske resultater vil bli sammenlignet før og etter påføring av ovariesumor hjelpediagnosesystemet i de tre forskningssentrene, for å evaluere den kliniske effektiviteten av hjelpediagnosesystemet.

Optimaliseringsparadigme for multisenter hjelpediagnosesystem basert på horisontal føderert læring Multisenter-optimaliseringsparadigmet for hjelpediagnosesystem basert på horisontal forent læring involverer styring og distribusjon av hjelpediagnosemodellen av hovedsenteret. Andre sentre bruker inkrementelle læringsmekanismer, bruker sine egne data for å finjustere hjelpediagnosesystemet og gi oppdaterte parametere til hovedsenteret. Denne prosessen sikrer forbedret intelligent gjenkjennelse av eggstoksvulster samtidig som datapersonvernet opprettholdes på tvers av sentre. I utgangspunktet konstruerer hovedsenteret en AI-basert multimodal eggstokktumorprediksjonsmodell. Denne modellen blir deretter kryptert og distribuert til filialsentrene. Filialsentrene, etter å ha nådd en viss datapoolstørrelse og oppfyller annoteringsstandarder, starter modelloptimalisering. Til slutt, etter å ha finjustert modellene, laster hvert senter opp de oppdaterte parameterne til hovedsenteret. Hovedsenteret evaluerer modellens ytelse for å avgjøre om en modellversjonsgjentakelse er nødvendig. I så fall blir den oppdaterte modellen omfordelt, og oppnår en lukket sløyfe av horisontal forent læring for optimalisering av multisentermodeller.

Statistisk analyse Beregning av prøvestørrelse

1. Utviklingsfasen av den multimodale ovarietumor-hjelpediagnosemodellen. Prøvestørrelsen som kreves estimeres ved hjelp av EPV-metoden (Events per Variable), som er en erfaringsbasert metode for å konstruere modeller. Hver variabel krever vanligvis 10-20 positive hendelser; i denne studien satte etterforskerne EPV til 20. Etterforskerne forventer å inkludere 20 uavhengige variabler (og dummyvariabler) i den diagnostiske modellen, og trenger dermed 20 * 20 = 400 maligne tilfeller. Foreløpige data indikerer at andelen ondartede (sann positive) ovariesvulstpasienter er omtrent 30 %. Derfor er den totale nødvendige prøvestørrelsen 400 / 0,30 = 1334 tilfeller. Tatt i betraktning en datataprate på 20 %, er den endelige prøvestørrelsen for treningssettet 1667 tilfeller. Treningssettet og valideringssettet vil følge et forhold på 4:1, noe som resulterer i en prøvestørrelse på 418 tilfeller. Dermed er den totale prøvestørrelsen som kreves 2084 saker, hvor hvert senter bidrar med en lik andel.
2. Multisenter, prospektivt system klinisk applikasjonsvalidering og optimaliseringsfase Denne delen av studien evaluerer primært den kliniske applikasjonseffekten av hjelpediagnosesystemet ved å måle nøyaktighet. Derfor brukes formelen for beregning av prøvestørrelse for diagnostiske tester.

Se=90 % (Sensitivitet for det diagnostiske systemet), Sp=90 % (det diagnostiske systemets spesifisitet), Basert på statistiske og kliniske ekspertuttalelser, refererer errABS=5 % til forventet absolutt feil, α=0,05. I henhold til beregningsformelen for prøvestørrelse krever den sanne positive gruppen inkludering av 140 tilfeller. Foreløpige data indikerer at andelen ondartede (sann positive) ovariesvulstpasienter er omtrent 30 %. Derfor er den totale nødvendige prøvestørrelsen 140 / 0,30 = 467 tilfeller. Tatt i betraktning et tap på 20 % til oppfølging, er den endelige prøvestørrelsen 584 tilfeller, hvor hvert senter bidrar med en lik andel.

Databehandling Alle data vil bli registrert i et elektronisk case report form (eCRF) designet for studien. Hvert undersenter vil etablere en uavhengig database administrert av utpekt personell. En standardisert verifiseringsprosess for dataregistrering vil bli etablert, som sikrer at data registreres nøyaktig og rettidig i strengt samsvar med studieprotokollen. Regelmessige evalueringer vil bli utført for å kontrollere nøyaktigheten og fullstendigheten til opplastede data. Dataansvarlige ved hvert senter vil verifisere dataene som samles inn i eCRF-ene mot kildedokumenter som medisinske journaler og gjennomgå datainnsamlingsprosessen. Ansatte fra hovedsenteret vil gjennomføre periodiske inspeksjoner på stedet ved alle deltakende sentre for å verifisere ektheten til dataene. Studien vil bruke databehandlingsteknologi for personvern for å sikre uavhengigheten og sikkerheten til hvert senters data, og tilby tjenester for optimalisering og validering av multisentermodeller samtidig som datavernet sikres.

Dataanalyse For normalfordelte kontinuerlige data vil sammenligninger mellom grupper utføres ved å bruke den uavhengige t-testen for prøver, og sammenligninger mellom grupper vil bli utført ved å bruke den sammenkoblede t-testen. For ikke-normalfordelte kontinuerlige data og ordinære data vil Mann-Whitney U-testen bli brukt for sammenligninger mellom grupper, og Wilcoxon signed-rank-testen vil bli brukt for intragruppesammenlikninger. For uordnede kategoriske data vil kjikvadrattesten (χ²) eller Fishers eksakte test bli brukt for sammenligninger mellom grupper, og McNemar-testen vil bli brukt for sammenligninger mellom grupper. Området under ROC-kurven (AUC) vil bli statistisk testet ved hjelp av DeLong-test, og sensitivitet og spesifisitet vil bli beregnet ved hjelp av Jeffreys-intervallet. Tatt i betraktning korrelasjonen mellom de samme fagene, vil sammenligninger mellom grupper bruke GEE-metoden (Generalized Estimation Equation) justert for sentereffekter. Analyse av andre indikatorer vil følge samme metodikk som grunnanalysen.