Forskning på dyplæringsbasert intelligent diagnostikk og behandling

Denne studien er en bilderelatert klinisk kunstig intelligens-studie som tar sikte på å utvikle, trene og validere dyp lærings-modeller for craniomaxillofacial multi-modal bildeanalyse og intelligent klinisk beslutningsstøtte. Omtrent 2000 deltakere er planlagt å bli inkludert. Alle deltakere vil ha craniomaxillofacial bildedata og relatert klinisk information innhentet under rutinemessig tannlege-, kjeveortopedisk-, oral- og kjeve-, eller relatert klinisk behandling.

Bildedataene som brukes i denne studien kan inkludere todimensjonale ansiktsfotografier, cone-beam computertomografibilder og tredimensjonale ansiktsskanninger. Relaterte kliniske data kan inkludere demografisk informasjon, klinisk diagnose, skjelett- eller tannklassifisering, kefalometriske målinger, behandlingsrelaterte journaler og tilgjengelige ekspertvurderinger. Denne studien vil fokusere på å utvikle kunstig intelligens-modeller for craniomaxillofacial bildeklassifisering, anatomisk landemerkedeteksjon, regional segmentering, avviksgjenkjenning og behandlingsrelatert beslutningsstøtte.

Før modellutvikling vil alle bildedata gjennomgå standardisert forhåndsbehandling. Forarbeidingsprosedyrer kan inkludere bildeanonymisering, kvalitetsvurdering, formatkonvertering, bildeorienteringskorreksjon, beskjæring, oppløsningsstandardisering, gråtone- eller intensitetsnormalisering, romlig registrering og region-of-interest-ekstrahering. For todimensjonale bilder vil standardiserte ansikts- eller radiografiske regioner defineres i henhold til den spesifikke bildeoppgaven. For cone-beam computertomografi og tredimensjonale ansiktsflatedata kan forhåndsbehandling inkludere volumetrisk rekonstruksjon, overflaterekonstruksjon, maskebehandling, punktskyskrbehandling eller ekstrahering av anatomiske strukturer.

Referanseetiketter vil bli hentet fra kliniske medisinske journaler, klinikerdiagnose og ekspert manuell annotering. For segmenteringsoppgaver vil anatomiske regioner eller strukturer manuelt annoteres av trente klinikere eller kalibrerte forskere. For landemerkedeteksjonsoppgaver vil forhåndsdefinerte anatomiske landemerker annoteres i henhold til standardiserte craniomaxillofacial måleprotokoller. For klassifiseringsoppgaver, skjelettmønster, tannforhold, craniomaxillofacial morfologikategori eller andre klinisk meningsfulle klassifiseringsetiketter vil bli bestemt basert på ekspertvurdering. Inter-observatør og intra-observatør konsistens vil også evalueres for å sikre pålitelighen av manuelle annoteringer og kliniske etiketter.

Datasettet på omtrent 2000 deltakere vil bli delt inn i trenings-, validerings- og testdatasett. Sytti prosent av dataene vil bli brukt til modelltrenning, 15% til modellvalidering og 15% til uavhengig testing.

Dype læringsmodeller vil inkludere konvolusjonelle nevrale nettverk, oppmerksomhetsbaserte modeller og fleroppgave læringsmodeller. Modellutvikling vil inkludere hyperparameteroptimalisering, regularisering, dataforsterkning og ytelsesovervåking basert på valideringsdatasettet.

For bildesegmenteringsoppgaver vil modellens ytelse evalueres ved hjelp av segmenteringsnøyaktighetsmetrikker, inkludert Dice similaritetskoeffisient, Intersection over Union, pikselvis nøyaktighet, sensitivitet, spesifisitet, og der det er aktuelt, grenseavstandsmetrikker som Hausdorff-avstand eller gjennomsnittlig overflateavstand. For bildeklassifisering og diagnostisk gjenkjenningsoppgaver vil modellens ytelse evalueres ved hjelp av nøyaktighet, presisjon, recall, F1-score, sensitivitet, spesifisitet, positiv prediktiv verdi, negativ prediktiv verdi, mottakeroperasjonsegenskap kurveanalyse, og areal under mottakeroperasjonsegenskap kurven. Forvirringsmatriser vil bli brukt for å beskrive fordelingen av korrekte og inkorrekte klassifikasjoner på tvers av diagnostiske kategorier. For flerklasseklassifiseringsoppgaver kan makro-gjennomsnitt og vektet gjennomsnitt ytelsesmetrikker rapporteres. For anatomisk landemerke gjenkjenningsoppgaver vil modellens ytelse evalueres med gjennomsnittlig radiell feil, gjennomsnittlig absolutt feil, suksessfull deteksjonsrate innenfor klinisk meningsfulle avstandsterskler, og samsvar med ekspertannoteringer.

For behandlingsrelatert beslutningsstøtteoppgaver vil modellens utdata sammenlignes med ekspert klinisk vurdering. Evalueringsmetrikkene vil inkludere nøyaktighet, presisjon, recall, F1-score, AUC, og beslutningskurveanalyse.

Personell involvert i bildeannotering og databehandling vil få relevant opplæring før studiestart. Tilgang til identifiserbart personlig informasjon vil begrenses til autorisert forskningspersonell. Analysedatasettene som brukes til modellutvikling vil bli avidentifisert eller pseudonymisert når det er mulig.

Den planlagte inklusjonen av omtrent 2000 deltakere forventes å støtte undergruppeanalyser og robusthetstesting når fordelingen av bildemodaliterer og kliniske kategorier er tilstrekkelig. Manglende, utilgjengelige, utolkbare eller inkonsistente data vil bli registrert.

De kunstig intelligente modellene utviklet i denne studien er ment å bistå helsepersonell i craniomaxillofacial bildeanalyse og klinisk beslutningsstøtte. Modellene vil ikke erstatte profesjonell klinisk diagnose eller individualisert behandlingsplanlegging fra kvalifiserte klinikere. Enhver fremtidig klinisk bruk av disse modellene vil kreve ytterligere validering, klinisk godkjenning og passende institusjonell eller regulatorisk godkjenning.