Retrospektywne badanie kliniczno-kontrolne mające na celu opracowanie narzędzia opartego na sztucznej inteligencji (AI) do wykrywania zmian chorobowych z wykorzystaniem rezonansu magnetycznego (MRI) i zmiennych klinicznych do wczesnego diagnozowania osiowej spondyloartropatii (axSpA) (InnovaDetect)

TŁO

Zapalenie stawów kręgosłupa (SpA) to grupa przewlekłych chorób zapalnych o charakterze autoimmunologicznym, które mają wspólne cechy kliniczne i genetyczne, w tym związek z antygenem HLA-B27. Należą do najczęstszych chorób reumatycznych z częstością 0,01-2,5%. Wszystkie te schorzenia sprawiają, że pacjenci poruszają się w związku z przewlekłą chorobą powodującą niepełnosprawność.

Pacjentów ze SpA można klasyfikować na podstawie obrazu klinicznego na SpA z przewagą osiową (axSpA) lub SpA z przewagą obwodową. SpA osiowe charakteryzuje się pierwotnym zajęciem stawów krzyżowo-biodrowych (SIJ) i/lub kręgosłupa, co prowadzi do znacznego bólu i niepełnosprawności. Do niedawna diagnostyka axSpA opierała się na wykrywaniu zmian strukturalnych przypominających zapalenie krzyżowo-biodrowe w SIJ za pomocą zwykłej radiografii.

Wprowadzenie rezonansu magnetycznego (MRI) do oceny SIJ znacznie przyspieszyło rozpoznawanie axSpA. MRI pozwala wykryć wczesne procesy zapalne nawet u pacjentów, u których nie występują jeszcze zmiany strukturalne. Poza tym MRI wykazało przewagę nad radiografią w wykrywaniu zmian strukturalnych w SIJ. Jednakże definicja „dodatniego wyniku MRI” w SpA pozostaje kontrowersyjna, ponieważ zarówno czułość, jak i swoistość mają swoje ograniczenia. Wczesna diagnostyka SpA staje się coraz ważniejsza w miarę dostępności metod leczenia, a preferowaną metodą wczesnej diagnostyki staje się badanie MRI. Szereg randomizowanych, kontrolowanych badań leków przeciwnowotworowych czynników martwicy w zesztywniającym zapaleniu stawów kręgosłupa wykazało regresję zmian zapalnych w kręgosłupie w badaniu MRI. Co więcej, rola MRI we wczesnej diagnostyce SpA została lepiej ustalona, ​​a obrazowanie aktywnego zapalenia stawów krzyżowo-biodrowych za pomocą MRI zostało określone w diagnostyce axSpA.

UZASADNIENIE BADANIA

Pomimo obecnego postępu w obrazowaniu medycznym i ciągłych wysiłków na rzecz poprawy kryteriów klasyfikacji axSpA, wysoki odsetek pacjentów z axSpA pozostaje niezdiagnozowany, co prowadzi do opóźnień w diagnozie, które mogą skutkować złym rokowaniem. Ilość nieustrukturyzowanych danych pochodzących z obrazowania medycznego przyczynia się do opóźnień diagnostycznych. Integracja technologii sztucznej inteligencji i uczenia maszynowego w medycynie na potrzeby przetwarzania dużych zbiorów danych doprowadziła do szybszej i dokładniejszej analizy, identyfikacji luk w dowodach w świecie rzeczywistym oraz sprawnego generowania dowodów w celu zaspokojenia potrzeb podmiotów świadczących opiekę zdrowotną i systemów opieki zdrowotnej.

Celem tego badania jest opracowanie narzędzia diagnostycznego AI, które łączy ilościowe dane MRI z informacjami klinicznymi, aby pomóc we wczesnej diagnostyce axSpA.

CELE

Cel główny: Stworzenie narzędzia AI umożliwiającego wczesną diagnostykę axSpA i wykrywanie zmian chorobowych na podstawie badania MRI.

Cel dodatkowy: Walidacja kliniczna modułu AI.

Cel eksploracyjny:

• Zautomatyzowana charakterystyka zmian chorobowych (obrzęk, nadżerka, metaplazja tłuszczowa i zesztywnienie) w oparciu o ilościową ocenę tekstury, radiomikę i analizę głębokich cech.
• Wyznaczenie wartości normatywnych biomarkera obrazowania tekstury na SIJ.

PRZYKŁADOWY OPIS

Zbiór danych będzie się składał z 900 rezonansów magnetycznych zebranych retrospektywnie. Badania MRI będą pobierane od pacjentów z aktywną axSpA oraz od pacjentów z nieaktywną axSpA lub bez niej (grupa kontrolna). Stosunek kontroli do przypadku zostanie ustawiony na 40/60, co umożliwi algorytmowi uczenie się na podstawie obu podzbiorów bez faworyzowania jednej grupy kosztem drugiej. Ponieważ sztuczna inteligencja może łatwiej scharakteryzować normalność niż patologię, odsetek wyników MRI innych niż axSpA i prawidłowych może być niższy (około 40%) w porównaniu z 60% przypisanym do MRI axSpA. W grupie pacjentów z aktywną axSpA rozkład wyników MRI według kategorii klasyfikacyjnych (obrzęk, zesztywnianie, nadżerka i metaplazja tłuszczu) powinien być możliwie zrównoważony, najlepiej przypisując 25% do każdej kategorii. Każdy rezonans magnetyczny niekoniecznie pochodzi od innego pacjenta, ponieważ może reprezentować różne punkty czasowe dla tej samej osoby.

PLAN ANALIZY

1. Kontrola jakości obrazu.

   Wszystkie obrazy otrzymane z witryn zostaną sprawdzone przez techników zajmujących się obrazowaniem, aby zagwarantować jednorodność danych

2. Scentralizowana interpretacja obrazu.

   Scentralizowana ocena radiologiczna obrazów MRI zostanie przeprowadzona przez starszych specjalistów-radiologów MSK. Każdy przypadek będzie oceniany przez dwóch radiologów. W przypadku rozbieżności między nimi, trzeci radiolog zbada sprawę.

   Radiologowie zaklasyfikują badania MRI do różnych klas i kohort objętych badaniem w oparciu o kryteria ASAS służące do definiowania aktywnego zapalenia stawów krzyżowo-biodrowych w obrazie MRI w celu klasyfikacji osiowej spondyloartropatii. Wszyscy radiolodzy zaangażowani w projekt zostaną przeszkoleni w zakresie wykrywania zmian chorobowych zgodnie z kryteriami ASAS, a szkolenie to zostanie udokumentowane i zapisane w repozytorium badania.

3. Proces adnotacji.

   Technicy zajmujący się obrazowaniem nakreślą zmiany wykryte przez radiologów-ekspertów MSK w celu wygenerowania objętości 3D. Zostanie to następnie sprawdzone przez radiologa-eksperta MSK.

4. Ekstrakcja biomarkerów obrazowych.

   Aby uzyskać dalsze informacje na temat oznaczonych zmian, zostanie przeprowadzona analiza tekstury w celu ilościowego określenia kilku cech związanych z niejednorodnością tkanki, które można uznać za wskaźnik procesu patologicznego. Panel radiomiczny będzie oparty na następujących funkcjach:

   • Cechy strukturalne lub kształtowe: Opisują właściwości geometryczne obrazu. Przykładami tych cech są objętość, maksymalna średnica ortogonalna, maksymalna powierzchnia, zwartość, wymiar fraktalny lub kulistość zmiany chorobowej.

   • Charakterystyki statystyczne to te, które wynikają z zależności statystycznych. Mogą to być kolejno:

     • Pierwszego rzędu lub dystrybucyjne: dostarczają informacji o częstotliwości poszczególnych wartości wokseli bez uwzględnienia ich relacji przestrzennych. Rozkład ten jest przedstawiony w postaci histogramów, które przedstawiają średnią, medianę, maksimum i minimum intensywności wokseli, ale także asymetrię, kurtozę, jednorodność lub entropię rozkładu.
     • Drugi rząd lub tekstura: Odzwierciedlają relacje pomiędzy sąsiednimi wokselami, pozwalając uzyskać przestrzenny układ ich intensywności, dając w ten sposób wyobrażenie o architekturze i niejednorodności badanej tkanki. Zależności te uzyskuje się za pomocą analiz statystycznych, takich jak macierze współwystępowania, które mierzą prawdopodobieństwo, że dwa sąsiednie woksele mają tę samą intensywność sygnału.
     • Wyższy rząd: Są to kombinacje cech uzyskane w wyniku złożonej analizy statystycznej, takiej jak analiza fraktalna, na obrazach, do których zastosowano filtry lub przekształcenia matematyczne w celu maksymalizacji lub zminimalizowania wzorców, usunięcia szumu lub uwypuklenia pewnych szczegółów.
   • Funkcje głębokie: są to właściwości uzyskane poprzez analizę obrazów za pomocą splotowych sieci neuronowych (CNN) lub innych algorytmów głębokiego uczenia się. Algorytmy te są szkolone tak, aby móc automatycznie określać i wybierać na obrazie te cechy lub zestawy cech klasyfikujących, bez konieczności interwencji człowieka.
5. Rozwój modułu AI.

Korzystając z rezonansu magnetycznego zebranego wraz z biomarkerami obrazowania i innymi dostępnymi informacjami klinicznymi, naukowcy zajmujący się danymi stworzą model oparty na sztucznej inteligencji, który zapewni ocenę prawdopodobieństwa axSpA dla każdego pacjenta.

Aby utworzyć moduł AI, baza danych zostanie podzielona na trzy niezbilansowane podzbiory danych (szkolący, walidacyjny i testowy). Większy zbiór obrazów zostanie wykorzystany do szkolenia modułu. Po fazie uczenia baza danych walidacyjnych zostanie wykorzystana do sprawdzenia, czy klasyfikacja została dobrze przeprowadzona lub czy model powinien zostać ponownie przeszkolony.

Trening: Zestaw etui służących do dopasowania modelu w procesie szkolenia. Będą to przypadki, których model użyje do dostrojenia swoich wag, tj. przypadki, których model użyje do „uczenia się”.

Walidacja: Zbiór przypadków używanych do oceny modelu podczas procesu uczenia nie jest zatem używany do dostrajania wag modelu. Ten zbiór danych jest wykorzystywany do trzech głównych celów:

• Strojenie hiperparametrów.
• Wykrywanie nadmiernego dopasowania: Podczas procesu uczenia, po każdej iteracji szkoleniowej (epoce), model jest oceniany zarówno na podstawie zbioru danych szkoleniowych, jak i walidacyjnych.
• Wybór „najlepszego” modelu w procesie uczenia oznacza, że ​​zapisywane są wagi z iteracji szkoleniowej, w której uzyskano najlepsze metryki walidacyjne.

Test: Oddzielny zestaw, nie używany do szkolenia ani walidacji, zostanie użyty do ostatecznej oceny modelu.

W tym badaniu badania MRI zostaną uzyskane z różnych skanerów i instytucji. Dlatego protokoły akwizycji i techniki rekonstrukcji mogą się różnić w zależności od skanera. Aby rozwiązać ten problem, zastosowane zostaną techniki wstępnego przetwarzania w celu ujednolicenia obrazów uzyskiwanych z różnych skanerów.