Wczesna dyskryminacja okołoprotezowych infekcji stawu biodrowego za pomocą sieci neuronowych (SEPTIC-ANNR) (SEPTIC-ANNR)

Zakażenia okołoprotezowe stawu biodrowego są gorącym tematem w chirurgii ortopedycznej, a częstość ich występowania wynosi około 1%. Głównymi obawami są zachorowalność, śmiertelność i dodatkowe koszty związane z przedłużającą się hospitalizacją i dalszym leczeniem. Infekcje okołoprotezowe są na ogół diagnozowane na podstawie kryteriów CDC (Centrum Kontroli i Prewencji Chorób) (2014). Rozpoznanie stawia się na podstawie kryteriów większych i mniejszych, w tym parametrów przedoperacyjnych i śródoperacyjnych. W celu uzyskania wiarygodnego rozpoznania zakażenia, gdy nie ma przetoki, wymagana jest aspiracja płynu maziowego lub próbki tkanek. Techniki te są jednak drogie i inwazyjne. Co więcej, czułość nie zawsze jest tak dokładna, jak pokazują niektóre serie operacji rewizyjnych wykonanych z domniemanym aseptycznym obluzowaniem, które po posiewach okazało się septyczne. Dlatego rozpoznanie zakażenia często następuje późno i po długim, skomplikowanym, kosztownym i nie zawsze decydującym badaniu diagnostycznym, wpływającym na czas i powodzenie leczenia.

Pożądana byłaby praktyczna, szybka, wiarygodna i nieinwazyjna (ewentualnie ambulatoryjna) procedura diagnostyczna zakażeń okołoprotezowych. Może polegać na diagnostyce obrazowej, ograniczając pobranie płynu lub tkanek do przypadków wątpliwych. Obecnie tomografia komputerowa i techniki obrazowania medycyny nuklearnej nie są rutynowo stosowane w diagnostyce infekcji ze względu na niewielką niezawodność, koszty i ekspozycję na czynniki promieniujące.

Ostatnio wprowadzono sieci neuronowe: składają się one z wielu prostych, równoległych procesorów, głęboko połączonych, realizujących model obliczeniowy. Sieci neuronowe naśladują mózg i jego zdolność uczenia się. Modele obliczeniowe rozpoznają sygnały wizualne, zarządzają złożonymi sytuacjami w czasie rzeczywistym, klasyfikują i zarządzają hałasem, wykorzystują pamięć asocjacyjną z dostępem w czasie rzeczywistym do dużych ilości danych i odtwarzają częściowe lub uszkodzone informacje. Sieci neuronowe były już wykorzystywane do przewidywania początku infekcji, przerzutów i niepowodzeń leczenia, integrując kliniczne i diagnostyczne dane obrazowe. Do tej pory nie przeprowadzono badań dotyczących sieci neuronowych w infekcji okołoprotezowej. Celem niniejszej pracy jest ocena, czy sieci neuronowe (komórkowe sieci neuronowe – algorytm genetyczny), stosowane w konwencjonalnych radiografiach, są dokładne, czułe i swoiste we wczesnym wykrywaniu zakażenia okołoprotezowego stawu biodrowego, zdiagnozowanego już znanymi metodami ( CDC 2014).

W szczególności wybiera się populację pacjentów z pełnym wywiadem radiologicznym (przedoperacyjne zdjęcia rentgenowskie i szereg innych pooperacyjnych zdjęć rentgenowskich), leczonych z powodu obluzowania septycznego lub aseptycznego.

Oba przypadki są niezbędne do „poinstruowania” sieci neuronowej. Pierwszy krok polega na zidentyfikowaniu kolejnych serii pacjentów z rozpoznaniem obluzowania septycznego lub aseptycznego, korzystając z bazy danych szpitala. Tak więc pacjenci są kategorycznie podzieleni na septyczne lub aseptyczne rozluźnienie. Stosowane są kryteria CDC z 2014 r. (rutynowo przeprowadzane w warunkach klinicznych), dodając kolejne ważne i niezbędne kryterium: co najmniej 3 dodatnie śródoperacyjne próbki tkanek (ten sam mikroorganizm). W przypadku obluzowania aseptycznego futerał nie może spełniać kryteriów CDC 2014. W ten sposób gromadzone są dane obrazowe i kliniczne pacjentów. Po ustaleniu rozpoznania materiał radiograficzny jest przetwarzany (komórkowe sieci neuronowe - algorytm genetyczny). Proponowana procedura przetwarza zdjęcia radiograficzne przy użyciu następującego potoku i oprogramowania MatLab (Mathworks, Natick, USA):

• linia bazowa: pierwszy obraz po implantacji jest porównywany z obrazem radiograficznym przed implantem;
• postępy są rejestrowane na okresowych radiogramach z wykorzystaniem projekcji standardowych i powtarzalnych (RTG miednicy);
• cechy są wyodrębniane z każdego obrazu w ręcznie podzielonym obszarze (obszar zainteresowania - ROI). Odbywają się trzy kroki: 1) wstępne przetwarzanie obrazu, w celu stworzenia jednolitych ram danych wejściowych (obrazów na poziomie szarości). Wyrównywanie histogramu kolorów; 2) cechy wyodrębnione z sieci neuronowych są stosowane do ROI. Klonowanie szablonów za pomocą algorytmów genetycznych. Funkcje będą przetwarzane przez w pełni połączoną warstwę + SoftMax; 3) funkcje wyodrębnione z AutoEcondera z w pełni połączoną warstwą + SoftMax;
• analiza różnicowych cech radiograficznych (analiza strony komórkowej i konwolucyjnej) oraz porównanie z linią podstawową. Przetwarzanie końcowe w następujący sposób: 1) w pełni połączona warstwa regresji i klasyfikator wieloklasowy: wygeneruje procent ryzyka progresji septycznej; 2) w pełni połączona warstwa regresji i klasyfikator binarny: cechy w klastrach septycznych / aseptycznych;
• ostateczne drzewo decyzyjne: fuzja wyżej wymienionych danych, zapewniająca procent ryzyka progresji septycznej w indeksowanym obrazowaniu. Celem jest sprawdzenie, czy sieci neuronowe stosowane w obrazowaniu radiograficznym mogą dokładnie, wrażliwie i specyficznie rozpoznawać późną, przewlekłą okołoprotezową infekcję stawu biodrowego zdiagnozowaną według zwalidowanych i określonych kryteriów.