Badania nad inteligentną diagnozą i leczeniem opartym na głębokim uczeniu

To badanie jest obrazowym klinicznym badaniem sztucznej inteligencji, którego celem jest opracowanie, trenowanie i walidacja modeli głębokiego uczenia do wielomodalnej analizy obrazów czaszkowo-szczękowo-twarzowych oraz inteligentnego wspomagania decyzji klinicznych. Planowane jest włączenie około 2000 uczestników. Wszyscy uczestnicy będą mieli dane obrazowe czaszkowo-szczękowo-twarzowe i powiązane informacje kliniczne uzyskane podczas rutynowej opieki stomatologicznej, ortodontycznej, chirurgii szczękowej lub pokrewnej.

Dane obrazowe wykorzystywane w tym badaniu mogą obejmować dwuwymiarowe zdjęcia twarzy, obrazy tomografii komputerowej wiązki stożkowej oraz trójwymiarowe skany powierzchni twarzy. Powiązane dane kliniczne mogą obejmować dane demograficzne, diagnozę kliniczną, klasyfikację szkieletową lub zębową, pomiary cefalometryczne, dane dotyczące leczenia oraz dostępne oceny ekspertów. Badanie skoncentruje się na opracowaniu modeli sztucznej inteligencji do klasyfikacji obrazów czaszkowo-szczękowo-twarzowych, wykrywania punktów anatomicznych, segmentacji regionalnej, rozpoznawania nieprawidłowości oraz wspomagania decyzji dotyczących leczenia.

Przed opracowaniem modeli wszystkie dane obrazowe zostaną poddane standaryzowanemu przetwarzaniu wstępnemu. Procedury przetwarzania wstępnego mogą obejmować deidentyfikację obrazów, ocenę jakości, konwersję formatu, korektę orientacji obrazu, kadrowanie, standaryzację rozdzielczości, normalizację skal szarości lub intensywności, rejestrację przestrzenną oraz ekstrakcję regionów zainteresowania. Dla obrazów dwuwymiarowych zostaną zdefiniowane standaryzowane regiony twarzy lub radiologiczne zgodnie z konkretnym zadaniem obrazowania. Dla tomografii komputerowej wiązki stożkowej i trójwymiarowych danych powierzchni twarzy przetwarzanie wstępne może obejmować rekonstrukcję objętości, rekonstrukcję powierzchni, przetwarzanie siatki, przetwarzanie chmury punktów lub ekstrakcję struktur anatomicznych.

Etykiety referencyjne zostaną uzyskane z klinicznej dokumentacji medycznej, diagnoz klinicznych i ręcznych adnotacji ekspertów. Dla zadań segmentacji regiony lub struktury anatomiczne będą ręcznie adnotowane przez przeszkolonych klinicystów lub skalibrowanych badaczy. Dla zadań wykrywania punktów orientacyjnych predefiniowane punkty orientacyjne będą adnotowane zgodnie ze standaryzowanymi protokołami pomiarów czaszkowo-szczękowo-twarzowych. Dla zadań klasyfikacji kategoria wzorca szkieletowego, relacji zębowej, morfologii czaszkowo-szczękowo-twarzowej lub inne klinicznie istotne klasyfikacje zostaną określone na podstawie oceny eksperta. Zostanie również oceniona spójność międzyobserwacyjna i wewnątrzobserwacyjna w celu zapewnienia wiarygodności ręcznych adnotacji i etykiet klinicznych.

Zbiór danych około 2000 uczestników zostanie podzielony na zbiory treningowe, walidacyjne i testowe. Siedemdziesiąt procent danych zostanie użytych do trenowania modeli, 15% do walidacji i 15% do niezależnego testowania.

Modele głębokiego uczenia będą obejmować konwolucyjne sieci neuronowe, modele oparte na mechanizmie uwagi i modele wielozadaniowego uczenia. Opracowanie modeli będzie obejmować optymalizację hiperparametrów, regularyzację, augmentację danych oraz monitorowanie wydajności na podstawie zbioru walidacyjnego.

W zadaniach segmentacji obrazów wydajność modeli będzie oceniana za pomocą metryk dokładności segmentacji, w tym współczynnika podobieństwa Dice'a, przecięcia nad sumą (IoU), dokładności na poziomie piksela, czułości, swoistości oraz, tam gdzie to konieczne, metryk odległości granicznej, takich jak odległość Hausdorffa lub średnia odległość powierzchni. W zadaniach klasyfikacji obrazów i rozpoznawania diagnostycznego wydajność modeli będzie oceniana za pomocą dokładności, precyzji, czułości (recall), miary F1, czułości, swoistości, dodatniej wartości predykcyjnej, ujemnej wartości predykcyjnej, analizy krzywej ROC oraz pola pod krzywą ROC. Macierze pomyłek zostaną użyte do opisania rozkładu poprawnych i błędnych klasyfikacji w kategoriach diagnostycznych. W zadaniach klasyfikacji wieloklasowej mogą być raportowane metryki uśrednione makro i ważone. W zadaniach wykrywania punktów orientacyjnych wydajność modeli będzie oceniana za pomocą średniego błędu radialnego, średniego błędu bezwzględnego, liczby udanych detekcji w ramach klinicznie istotnych progów odległości oraz zgodności z adnotacjami ekspertów.

W zadaniach wspomagania decyzji dotyczących leczenia wyniki modeli będą porównywane z osądami klinicznymi ekspertów. Metryki oceny będą obejmować dokładność, precyzję, czułość (recall), miarę F1, AUC i analizę krzywych decyzyjnych.

Osoby zaangażowane w adnotację obrazów i przetwarzanie danych otrzymają odpowiednie szkolenie przed rozpoczęciem badania. Dostęp do identyfikowalnych danych osobowych będzie ograniczony do upoważnionego personelu badawczego. Zbiory danych używane do opracowywania modeli zostaną w miarę możliwości zdezidentyfikowane lub pseudonimizowane.

Planowane włączenie około 2000 uczestników ma umożliwić analizy podgrup i testowanie odporności, gdy rozkład modalności obrazowania i kategorii klinicznych będzie odpowiedni. Brakujące, niedostępne, nieinterpretowalne lub niespójne dane będą rejestrowane.

Modele sztucznej inteligencji opracowane w tym badaniu mają na celu wspomaganie personelu medycznego w analizie obrazów czaszkowo-szczękowo-twarzowych i wspomaganiu decyzji klinicznych. Modele nie zastąpią profesjonalnej diagnozy klinicznej ani indywidualnego planowania leczenia przez wykwalifikowanych klinicystów. Każde przyszłe zastosowanie kliniczne tych modeli będzie wymagać dalszej walidacji, przeglądu klinicznego i odpowiedniej zgody instytucji lub organów regulacyjnych.