Utworzenie i zastosowanie kliniczne opartego na sztucznej inteligencji multimodalnego systemu diagnostyki nowotworów jajnika

Metody/projekt Cel badania Pierwszym celem tego badania jest skonstruowanie multimodalnego publicznego zbioru danych dotyczących guza jajnika, który obejmuje ultrasonografię, obrazy MRI i dane dotyczące wskaźników klinicznych w celu wsparcia zadań opartych na sztucznej inteligencji. Ten zbiór danych będzie integrował różne typy danych medycznych, aby ułatwić wszechstronną analizę sztucznej inteligencji i szkolenie modeli. Celem badania jest wykorzystanie technologii konwolucyjnej sieci neuronowej (CNN) do inteligentnego, wieloklasowego rozpoznawania obrazów multimodalnych. Obejmuje to wyodrębnianie i analizowanie cech z danych obrazowych oraz integrowanie ich z wielowymiarowymi danymi klinicznymi na poziomie cech, w celu wytrenowania i walidacji pomocniczego modelu diagnostycznego, który jest w stanie dokładnie przewidzieć co najmniej dziesięć najczęstszych typów patologicznych guzów jajnika. Ponadto w badaniu zostaną wykorzystane metody przetwarzania danych chroniące prywatność i stowarzyszone metody uczenia się w celu przeprowadzenia wieloośrodkowej, prospektywnej optymalizacji i walidacji modelu. Metody te zapewnią bezpieczeństwo danych i prywatność, umożliwiając jednocześnie wspólne szkolenie w zakresie modeli. Ostatecznym celem jest opracowanie pomocniczego systemu diagnostyki klinicznej, który będzie w stanie przewidzieć typy patologiczne większości nowotworów jajnika i wdrożyć go w warunkach klinicznych. Celem tego kompleksowego podejścia jest wykorzystanie mocnych stron technologii sztucznej inteligencji w obrazowaniu medycznym, zapewnienie bezpieczeństwa danych, a jednocześnie zwiększenie dokładności i wiarygodności diagnostyki nowotworu jajnika.

Miejsce badania Badanie to przeprowadzono w Pekinie w Chinach. Osoby objęte badaniem pochodzą ze szpitala Shijitan w Pekinie, szpitala Przyjaźni w Pekinie oraz szpitala położniczo-ginekologicznego w Pekinie, które są stowarzyszone z Capital Medical University. Szpitale te zapewniają zróżnicowaną populację pacjentów, co potwierdza możliwość uogólnienia wyników badania.

Osoby objęte badaniem Osoby objęte badaniem to pacjentki, u których zdiagnozowano guz jajnika, poddane leczeniu chirurgicznemu. Przypadki wykorzystane do opracowania modelu predykcyjnego pochodzą od pacjentów, którzy zostali zapisani kolejno w okresie od stycznia 2018 r. do stycznia 2023 r. Przypadki walidacji wniosków klinicznych będą zbierane prospektywnie od pacjentów w okresie od czerwca 2023 r. do czerwca 2025 r. Kryteria włączenia do obu części badania są następujące: (1) pacjentki, u których zdiagnozowano guz jajnika, które przeszły leczenie chirurgiczne; (2) pacjenci z pełnymi danymi obrazowymi (USG lub MRI) i wynikami markerów nowotworowych uzyskanymi w ciągu trzech miesięcy przed operacją. Dodatkowo druga część wymaga świadomej zgody uczestników. Kryteriami wykluczenia są: (1) pacjentki z patologią chirurgiczną niepochodzącą z jajnika; (2) podwójne przypadki; (3) pacjenci, którzy otrzymali chemioterapię lub radioterapię; (4) przypadki powtarzające się; (5) złej jakości obrazowanie zmian w jajnikach; oraz (6) niekompletne informacje o sprawie.

Etyka Protokół badania został sprawdzony i zatwierdzony przez Komisję Etyki Szpitala Shijitan w Pekinie, stowarzyszoną z Uniwersytetem Medycznym Capital. Numer zatwierdzenia etycznego to: [podaj numer]. Badanie zostanie przeprowadzone zgodnie z zasadami Deklaracji Helsińskiej. Na etapie opracowywania modelu w przypadkach retrospektywnych udzielono zgody na zrzeczenie się świadomej zgody. Na potrzeby fazy walidacji klinicznej wszyscy uczestnicy przed rozpoczęciem badania przeczytają formularz świadomej zgody, dobrowolnie wyrażą zgodę na udział i podpiszą formularz świadomej zgody.

Gromadzenie danych Badacze będą zbierać dane obrazowe (USG miednicy, MRI miednicy) i dane kliniczne (informacje ogólne, wywiad lekarski, wywiad rodzinny, badanie przedmiotowe, badania laboratoryjne, raporty patologiczne, diagnoza kliniczna itp.) od uczestników badania. Pomoże to w skonstruowaniu wielomodalnego zbioru danych dotyczącego nowotworu jajnika z adnotacjami dotyczącymi klasyfikacji i segmentacji, zapewniając wsparcie zbioru danych AI na potrzeby późniejszego opracowywania pomocniczych modeli diagnostycznych multimodalnego guza jajnika. W miarę postępu badań badacze dążą do elastycznej rozbudowy i głębokiej eksploracji zbioru danych, ustanowienia standardowych protokołów dla wielomodalnych zbiorów danych oraz umożliwienia skutecznego udostępniania danych.

Przetwarzanie danych obrazu, segmentacja i adnotacja klasyfikacyjna W tym projekcie zastosowano narzędzie OpenSlide do przetwarzania obrazów i zmiany ich rozmiaru, aby zapewnić, że wymiary w pikselach będą wielokrotnościami 300. Obrazy są następnie dzielone na sekcje o wymiarach 300 × 300 pikseli i konwertowane do formatu PNG. Dokładna segmentacja zmian ma kluczowe znaczenie dla precyzyjnego rozpoznawania obrazu. W projekcie uczestniczy zespół ginekologów oraz eksperci ze Szkoły Inżynierii Elektroniki i Informacji Uniwersytetu Beihang, którzy wykorzystują profesjonalny program do adnotacji LabelMe do segmentacji obrazów i adnotacji klasyfikacyjnych na podstawie wyników patologicznych, tworząc w ten sposób segmentowaną i sklasyfikowaną bazę danych. Na przykład w przypadku obrazów USG 2D zmiany są ręcznie segmentowane, zaznaczane są lokalizacje guza jajnika i przekształcane w odpowiednie etykiety klasyfikacyjne.

Aby jeszcze bardziej zwiększyć dokładność i wyniki segmentacji, w tym badaniu skonstruowano architekturę sieci segmentacji obrazu nowotworu jajnika, obejmującą wieloskalowy moduł fuzji cech i wielopoziomową optymalizację funkcji straty. Ogólna architektura sieci łączy segmentację superpikselową z głębokim uczeniem, wykorzystując duże możliwości ekstrakcji cech splotowych sieci neuronowych (CNN) w celu ulepszenia informacji brzegowych i poprawy dokładności segmentacji.

Konstruowanie systemu pomocniczej diagnostyki guza jajnika opartego na sztucznej inteligencji, wykorzystującego sztuczną inteligencję do rozpoznawania obrazów. W przypadku wejściowych obrazów multimodalnych (USG i MRI) przeprowadzana jest ekstrakcja cech wizualnych. Aby sprostać wizualnym zadaniom klasyfikacji i segmentacji uszkodzeń, konstruuje się dwa modele algorytmów: model gęstej struktury resztkowej i wielopoziomowy model struktury świadomej krawędzi. Modele te umożliwiają inteligentne rozpoznawanie typów patologicznych w obrazach multimodalnych

Model predykcyjny integrujący wielowymiarowe dane strukturalne Po pierwsze, splotowe sieci neuronowe są wykorzystywane do generowania wyników przewidywań na poziomie pikseli (wyniki segmentacji), a algorytmy sztucznej inteligencji dostarczają wyniki przewidywań AI (prawdopodobieństwa późniejsze). Następnie tylny wektor prawdopodobieństwa jest łączony z ustrukturyzowanymi danymi (wiek, główna skarga, czas trwania choroby, wyniki badań fizykalnych, badania laboratoryjne i inne wskaźniki kliniczne). Są one łączone w nowy wektor cech, który jest następnie dalej analizowany za pomocą modelu decyzyjnego (takiego jak XGBoost) w celu określenia kategorii patologicznej guza jajnika. Model jest szkolony i walidowany przy użyciu wyników patologicznych jako złotego standardu.

System diagnostyki pomocniczej Multimodalny system diagnostyki nowotworu jajnika składa się z kilku hierarchicznych poziomów. System składa się z czterech głównych poziomów, od dołu do góry: 1) Moduł podstawowy: Moduł ten jest przede wszystkim odpowiedzialny za zapewnienie przyspieszenia wnioskowania w procesie głębokiego uczenia się, zapewniając podstawowe możliwości wymagane do działania systemu. 2) Podstawowa biblioteka aplikacji (warstwa podstawowa): ta warstwa oferuje niezbędne biblioteki do przetwarzania informacji medycznych i rejestrowania dzienników platformy. 3) Struktura głębokiego uczenia się (warstwa wnioskowania głębokiego uczenia się): Służy jako inteligentny rdzeń systemu, zapewnia podstawowe struktury głębokiego uczenia się niezbędne do inteligentnego wnioskowania o systemie. Obejmuje to powszechnie używane biblioteki wnioskowania sieci neuronowych, które obsługują precyzyjne wnioskowanie modelu sieci neuronowej na różnych platformach. 4) Warstwa aplikacji (podzielona na warstwę aplikacji i warstwę komponentów): ta warstwa oferuje niezbędne usługi dla systemu platformy. Został zaprojektowany tak, aby był elastyczny i rozszerzalny, z niezależnie funkcjonalnymi, luźno połączonymi modułami. Warstwy są stosunkowo oddzielone, a każda z nich zapewnia niezależną funkcjonalność. System platformy został zaprojektowany od podstaw, z przyjaznym dla użytkownika, hermetyzowanym zewnętrznie interfejsem operacyjnym, który umożliwia bezpośrednią interakcję użytkownika z platformą.

Multimodalny system diagnostyki pomocniczej guza jajnika pełni kilka kluczowych funkcji. Po pierwsze, może odczytać obrazy USG i MRI, a także dokumentację medyczną zgodnie z wymaganiami użytkownika i w razie potrzeby dokonać konwersji formatu. Następnie wstępnie przetwarza obrazy i dokumentację medyczną, usuwając nieistotne informacje, co ułatwia późniejsze wnioskowanie o modelu. Moduł rozpoznawania zmian dokonuje zarówno klasyfikacji, jak i segmentacji, szacując prawdopodobieństwo wystąpienia zmian oraz identyfikując potencjalne obszary zmian. Wreszcie moduł przetwarzania danych dokonuje fuzji wyników klasyfikacji na poziomie decyzyjnym, automatycznie oznacza obszary uszkodzeń i generuje pomocnicze wyniki diagnostyczne przewidujące typy patologiczne poprzez połączenie informacji z dokumentacji medycznej.

Wieloośrodkowa, perspektywiczna optymalizacja systemu diagnostyki pomocniczej i walidacja zastosowania klinicznego Dzięki współpracy zespołów onkologii ginekologicznej z trzech ośrodków badawczych, wielomodalny system diagnostyki pomocniczej nowotworu jajnika zostanie poddany wieloośrodkowemu, prospektywnemu zastosowaniu klinicznemu, a wyniki patologii chirurgicznej będą stanowić złoty standard. Skuteczność diagnostyczna wielomodalnego systemu diagnostyki pomocniczej guza jajnika, zarówno ogólna, jak i w różnych kategoriach patologicznych, zostanie oceniona w ośrodkach głównych i pomocniczych poprzez porównanie wskaźników, takich jak swoistość, czułość, dodatnia wartość predykcyjna, ujemna wartość predykcyjna oraz obszar pod Krzywa ROC (AUC). System będzie stale sprawdzany i optymalizowany w celu poprawy jego wydajności. Zgodność diagnozy przedoperacyjnej z wynikami patologii pooperacyjnej zostanie porównana przed i po zastosowaniu systemu diagnostyki pomocniczej nowotworu jajnika w trzech ośrodkach badawczych, w celu oceny skuteczności klinicznej systemu diagnostyki pomocniczej.

Paradygmat optymalizacji wieloośrodkowego systemu diagnostyki pomocniczej w oparciu o poziome stowarzyszone uczenie się Paradygmat optymalizacji wieloośrodkowego systemu diagnostyki pomocniczej w oparciu o poziome stowarzyszone uczenie się obejmuje zarządzanie i dystrybucję modelu diagnostyki pomocniczej przez ośrodek główny. Inne ośrodki stosują mechanizmy uczenia się przyrostowego, wykorzystując własne dane do dostrajania systemu diagnostyki pomocniczej i dostarczania zaktualizowanych parametrów do ośrodka głównego. Proces ten zapewnia ulepszone inteligentne rozpoznawanie guzów jajnika przy jednoczesnym zachowaniu prywatności danych we wszystkich ośrodkach. Początkowo główny ośrodek konstruuje oparty na sztucznej inteligencji multimodalny model przewidywania guza jajnika. Model ten jest następnie szyfrowany i dystrybuowany do oddziałów. Centra branżowe po osiągnięciu określonej wielkości puli danych i spełnieniu standardów adnotacji przystępują do optymalizacji modelu. Na koniec, po dostrojeniu modeli, każde centrum przesyła zaktualizowane parametry do centrum głównego. Centrum główne ocenia wydajność modelu, aby określić, czy konieczna jest iteracja wersji modelu. Jeśli tak, zaktualizowany model jest redystrybuowany, uzyskując zamkniętą pętlę poziomego, stowarzyszonego uczenia się na potrzeby optymalizacji modelu wieloośrodkowego.

Analiza statystyczna Obliczenie wielkości próbki

1. Faza opracowywania wielomodalnego modelu diagnostyki pomocniczej guza jajnika Wymaganą liczebność próby szacuje się przy użyciu metody EPV (Events per Variable), która jest metodą konstruowania modeli opartą na doświadczeniu. Każda zmienna zazwyczaj wymaga 10–20 pozytywnych zdarzeń; w tym badaniu badacze ustalili EPV na 20. Badacze przewidują włączenie do modelu diagnostycznego 20 zmiennych niezależnych (i zmiennych fikcyjnych), co oznacza konieczność 20 * 20 = 400 przypadków nowotworów złośliwych. Wstępne dane wskazują, że odsetek pacjentek ze złośliwym (prawdziwie dodatnim) nowotworem jajnika wynosi około 30%. Zatem całkowita wymagana wielkość próby wynosi 400 / 0,30 = 1334 przypadków. Biorąc pod uwagę 20% współczynnik utraty danych, ostateczna wielkość próby dla zbioru uczącego wynosi 1667 przypadków. Zbiór uczący i zbiór walidacyjny będą miały stosunek 4:1, co daje wielkość próby zestawu walidacyjnego wynoszącą 418 przypadków. Zatem całkowita wymagana wielkość próby wynosi 2084 przypadki, przy czym każdy ośrodek wnosi równy udział.
2. Wieloośrodkowy, perspektywiczny system, faza walidacji i optymalizacji zastosowania klinicznego. Ta część badania przede wszystkim ocenia wpływ klinicznego zastosowania pomocniczego systemu diagnostycznego poprzez pomiar dokładności. Dlatego też stosuje się wzór na obliczenie liczebności próby do badań diagnostycznych.

Se=90% (Czułość systemu diagnostycznego), Sp=90% (Specyfika systemu diagnostycznego), Na podstawie opinii ekspertów statystycznych i klinicznych, errABS=5% odnosi się do oczekiwanego błędu bezwzględnego, α=0,05. Zgodnie ze wzorem na obliczenie liczebności próby, prawdziwie dodatnia grupa wymaga włączenia 140 przypadków. Wstępne dane wskazują, że odsetek pacjentek ze złośliwym (prawdziwie dodatnim) nowotworem jajnika wynosi około 30%. Zatem całkowita wymagana wielkość próby wynosi 140 / 0,30 = 467 przypadków. Biorąc pod uwagę 20% utratę wskaźnika obserwacji, ostateczna wielkość próby wynosi 584 przypadki, przy czym każdy ośrodek wnosi równy udział.

Zarządzanie danymi Wszystkie dane zostaną zarejestrowane w elektronicznym formularzu opisu przypadku (eCRF) zaprojektowanym na potrzeby badania. Każde podcentrum utworzy niezależną bazę danych zarządzaną przez wyznaczony personel. Ustanowiony zostanie ujednolicony proces weryfikacji wprowadzania danych, zapewniający dokładne i terminowe rejestrowanie danych, ściśle zgodnie z protokołem badania. Przeprowadzane będą regularne oceny w celu sprawdzenia dokładności i kompletności przesłanych danych. Osoby zarządzające danymi w każdym ośrodku zweryfikują dane zgromadzone w eCRF z dokumentami źródłowymi, takimi jak dokumentacja medyczna, i dokonają przeglądu procesu gromadzenia danych. Personel centrum głównego będzie przeprowadzał okresowe kontrole na miejscu we wszystkich uczestniczących ośrodkach w celu sprawdzenia autentyczności danych. W badaniu zostanie wykorzystana technologia przetwarzania danych zapewniających prywatność, aby zapewnić niezależność i bezpieczeństwo danych każdego centrum, świadcząc usługi optymalizacji i walidacji modeli wieloośrodkowych, zapewniając jednocześnie prywatność danych.

Analiza danych W przypadku danych ciągłych o rozkładzie normalnym porównania międzygrupowe zostaną przeprowadzone przy użyciu testu t niezależnych próbek, a porównania wewnątrzgrupowe zostaną przeprowadzone przy użyciu testu t dla par. W przypadku danych ciągłych i danych porządkowych o rozkładzie normalnym do porównań międzygrupowych zostanie zastosowany test U Manna-Whitneya, a do porównań wewnątrzgrupowych test rang ze znakiem Wilcoxona. W przypadku nieuporządkowanych danych kategorycznych do porównań międzygrupowych zostanie zastosowany test chi-kwadrat (χ²) lub dokładny test Fishera, a do porównań wewnątrzgrupowych – test McNemara. Pole pod krzywą ROC (AUC) zostanie przetestowane statystycznie przy użyciu Test DeLonga oraz czułość i swoistość zostaną obliczone przy użyciu przedziału Jeffreysa. Biorąc pod uwagę korelację między tymi samymi podmiotami, w porównaniach międzygrupowych wykorzystana zostanie metoda uogólnionego równania szacunkowego (GEE) skorygowana o efekty centralne. Analiza pozostałych wskaźników będzie prowadzona według tej samej metodologii, co analiza bazowa.