Model IA ostrego zapalenia wyrostka robaczkowego w CT

Opracowanie informacji o modelu dodatku

- W badaniu tym wykorzystano wstępnie wyszkolony model wyrostka robaczkowego (IA) oparty na w pełni zautomatyzowanym środowisku diagnostycznym w celu przewidzenia trzech klas na podstawie mapowania prawdopodobieństwa i cech: zapalenie wyrostka robaczkowego niezwiązane z wyrostkiem robaczkowym, zapalenie wyrostka proste i zapalenie wyrostka powikłanego.

Schemat osadzania parametrów modelu IA uzyskanych z obrazu 3D CT 7147 pacjentów składał się z dwuetapowego algorytmu binarnego połączonego z uczeniem transferowym z trzema modelami 3D CNN: DenseNet, EfficientNet i ResNet.

- Zastosowano dwuetapowy algorytm binarny do uczenia się transferu, aby poznać nieodłączne wzorce z obrazów 3D trzech prawdziwych klas, tak jak robi to klinicysta podejmujący decyzję o leczeniu zapalenia wyrostka robaczkowego. Na pierwszym etapie opracowano model klasyfikacji Etapu 1 w celu identyfikacji zapalenia wyrostka robaczkowego niezwiązanego z wyrostkiem robaczkowym i zapalenia wyrostka robaczkowego. Na drugim etapie modelu klasyfikacji etapu 2 zidentyfikowano proste i skomplikowane zapalenie wyrostka robaczkowego na podstawie danych przesłanych z możliwymi do wytrenowania parametrami poznanymi na etapie 1.

Obecnie ostateczny model IA został zweryfikowany zewnętrznie przy użyciu nigdy wcześniej niepublikowanego zbioru danych z instytucji zewnętrznej z szerokimi kryteriami kwalifikacyjnymi dla pacjentów, którzy zgłosili się na izbę przyjęć z bólem brzucha i przeszli CT jamy brzusznej z powodu klinicznego podejrzenia ostrego zapalenia wyrostka robaczkowego.

Interwencja Jest to badanie porównawcze modelu ludzkiego i modelu IA dotyczące odsetka ujemnej wyrostka robaczkowego (NAR) w przypadku nie-, prostego i powikłanego zapalenia wyrostka robaczkowego, obejmujące prospektywny, randomizowany zbiór danych, zebrany na podstawie tomografii komputerowej pacjentów zgłaszających się na izbę przyjęć z ostrym zapaleniem jamy brzusznej. ból. W grupie kontrolnej uczestniczyło dziesięciu nieradiologów.

Model IA nie może utrudniać przedoperacyjnego procesu decyzyjnego klinicystów w bieżącej praktyce klinicznej, dotyczącego prawnych i etycznych aspektów badania ram diagnostycznych modelu IA pod kątem matematycznego uzasadnienia wyniku w zakresie ochrony ludzi.

Biorąc pod uwagę minimalne ryzyko dla ludzi oraz etyczne i prawne aspekty sztucznej inteligencji, w projekcie badania ściśle przydziela się obrazy CT nieradiologom i modelom IA po zakończeniu leczenia zapalenia wyrostka robaczkowego z potwierdzeniem patologicznym lub bez.

Alokacja danych i ocena wydajności

- Aby w równym stopniu porównać model IA z ludźmi i nieradiologami, warunek interpretacji dla nieradiologa powinien spełniać wszystkie następujące kryteria: Losowo przydzielać należy wyłącznie obrazy CT bez takich zmiennych, jak wiek, płeć i wartości laboratoryjne; przynależność zarówno nieradiologa, jak i pacjenta do obrazu CT nie powinna być taka sama; współczynnik przydziału dla zapalenia wyrostka robaczkowego niezwiązanego z wyrostkiem robaczkowym, prostego i skomplikowanego zapalenia wyrostka robaczkowego przydzielonego lekarzowi nieradiologowi powinien być zaślepiony; a zakres obrazu CT do interpretacji powinien być identyczny z zakresem ROI dla wyrostka robaczkowego, który jest generowany przez automatyczną lokalizację modelu IA. Aby ocenić skuteczność diagnostyczną u ludzi, nieradiolog przygotował cztery pozycje testowe w następujący sposób: (1) wizualizacja wyrostka robaczkowego; (2) wykluczenie zapalenia wyrostka robaczkowego; (3) powikłania; oraz (4) diagnostyka obrazów CT.

Wyniki pierwotne i wtórne oceniono na podstawie wyników czterech pytań zadanych uczestnikom oraz wyników diagnostycznych modelu IA w tym samym zbiorze danych.

Oświadczenie etyczne Zgodnie z „Przewodnikiem po wykorzystaniu danych dotyczących opieki zdrowotnej” i „Przewodnikiem po postępowaniu z informacjami dotyczącymi pseudonimów” Komisji ds. Ochrony Danych Osobowych Ministerstwa Zdrowia i Opieki Społecznej, eksfiltracja danych z zapewnieniem bezpieczeństwa archiwum danych została przeprowadzona za zgodą Komisja ds. przeglądu danych w instytucjach uczestniczących. Centralna instytucjonalna komisja odwoławcza (IRB) i IRB wszystkich uczestniczących instytucji zatwierdziły to badanie.

Wielkość próby i metody statystyczne Wcześniejsze badanie badaczy, które zakończyło zewnętrzną walidację modelu oceny skutków poprzez eksfiltrację danych z instytucji zewnętrznych, wykazało, że NAR w zbiorze danych zewnętrznych wynosi 12,4%. Standardowa wartość referencyjna dla NAR dla osób niebędących radiologami wynosi 10,5% ± 5%. Dlatego akceptowalna różnica w NAR między modelem IA a nieradiologami do zastosowań klinicznych powinna wynosić mniej niż 10,0% marginesu równoważności.

Wielkość próby dla randomizowanego, kontrolowanego zbioru danych dla pojedynczej instytucji wynosiła 263 przy założeniu 95% przedziału ufności, mocy statystycznej 90%, dwustronnego α = 0,05, poziomu istotności = 0,05 i wielkości efektu = 0,2 w teście Z . W badaniu wzięły udział dwie instytucje zewnętrzne. Ze względu na heterogeniczność danych, normalizację i różnice w częstości występowania w regionach pomiędzy dwiema instytucjami zewnętrznymi, wielkość próby obliczono dla każdej instytucji. Dlatego zakładając, że na instytucję przypada 263 pacjentów, a utrata obserwacji wyniosła 10%, całkowita wielkość próby wyniosła 568.