Projekt algorytmu głębokiego uczenia się jelita cienkiego

Wstęp.

Głównym celem pracy jest ocena dokładności algorytmu głębokiego uczenia w różnicowaniu prawidłowego i nieprawidłowego końcowego odcinka jelita krętego w porównaniu z doświadczonymi radiologami na obrazach enterografii MR.

Badanie opiera się na istniejących badaniach, które wykazały, że metody statystyczne mogą identyfikować miejsca występowania choroby Leśniowskiego-Crohna w jelicie cienkim. Proces ten był jednak czasochłonny i nie w pełni automatyczny. Nasz projekt bada, czy najnowocześniejszy algorytm „głębokiego uczenia się” (oparty na sieciach neuronowych) w połączeniu ze zwiększoną mocą obliczeniową może zapewnić dokładne i aktualne informacje.

Projekt został opracowany wspólnie przez specjalistów radiologów w obrazowaniu przewodu pokarmowego (którzy są świadomi wyzwań związanych z dokładnym obrazowaniem choroby Leśniowskiego-Crohna) i Wydział Informatyki Imperial College (którzy mają doświadczenie w opracowywaniu sieci neuronowych do obrazowania medycznego). Potwierdzono również wkład i recenzję z działu badań i rozwoju North-West London.

Projekt badania.

Projekt retrospektywny i rekrutacja.

Badanie retrospektywnie zidentyfikuje kwalifikujących się pacjentów i zastosuje technikę doboru próby kolejnych przypadków (wszystkie kwalifikujące się obrazy zostaną uwzględnione, zaczynając od najnowszego).

To retrospektywne podejście stanowi kompromis między ograniczeniem możliwości uogólnienia wyników a badaniem przeprowadzanym stosunkowo szybko i przy niskich kosztach (badanie nie jest finansowane z dotacji).

Badacze są przekonani, że wyniki można uogólnić, ponieważ cel rekrutacji 113 normalnych przypadków i 113 przypadków z nieuleczalną chorobą jelita krętego powinien obejmować spektrum normalnych i nieprawidłowych wyglądów (w poprzednich badaniach wykorzystano <50 zestawów obrazów).

Przypadki z prawidłowym końcowym odcinkiem jelita krętego w badaniu MRI zostały uwzględnione, ponieważ podejście do opracowywania algorytmu obejmuje porównanie cech obrazowania prawidłowego i nieprawidłowego końcowego odcinka jelita krętego w badaniach MRI.

Podejście nieeksperymentalne.

Metoda wykorzystuje skany MRI wykonywane w ramach standardowej opieki klinicznej. W tym badaniu nie wykonuje się żadnych dodatkowych badań obrazowych. Wyniki badania nie zmienią obecnie stosowanego leczenia kwalifikujących się pacjentów.

Zgoda i poufność.

Ponieważ obrazy wykorzystywane do opracowywania algorytmów są w pełni anonimowe, nie zostanie uzyskana wyraźna zgoda. Jest to zgodne z wytycznymi General Medical Council Guidelines z 2011 r. i The Royal College of Radiologists (Wielka Brytania) z 2017 r., zgodnie z którymi anonimowe nagrania mogą być udostępniane do celów badawczych bez zgody.

Obrazy MRI wykorzystane w tym badaniu zostały uzyskane w ramach rutynowej standardowej opieki klinicznej i będą rutynowo przeglądane przez radiologów biorących udział w tym badaniu w ramach ich normalnej praktyki zawodowej.

Gdy tylko zostanie zidentyfikowany odpowiedni pacjent, jego zdjęcia zostaną skopiowane w całkowicie anonimowej formie, bez żadnych bezpośrednich ani pośrednich identyfikatorów. Program do przeglądania obrazów Radiology zawiera solidną funkcję anonimizacji. Identyfikatory podmiotu badania zostaną przydzielone losowo, zapobiegając pseudoanonimizacji, jeśli uwzględnione zostaną skany tego samego pacjenta w różnych punktach czasowych.

Podczas badania żadne wrażliwe/identyfikowalne dane pacjenta nie będą przekazywane w celu opracowania algorytmu. Opracowanie algorytmu opiera się na dopasowaniu intensywności pikseli MRI do wyników/adnotacji choroby w wielu skanach. Anonimizacja nie wpływa na piksele w obrazie. W publikacjach prezentowane będą wyłącznie dane zbiorcze – tj. pojedyncze przypadki nie będą publikowane.

Konflikt interesów. Badacze biorący udział w tym badaniu nie deklarują konfliktu interesów.