Um sistema auxiliado por computador (CADx） na caracterização em tempo real de doenças ulcerativas colorretais

O objetivo deste estudo observacional é construir e validar um sistema auxiliado por computador (CADx） na caracterização em tempo real de doenças ulcerativas colorretais. Fotos e vídeos endoscópicos serão recuperados do banco de dados existente nos centros de estudo. Para cada úlcera colorretal, diferentes visualizações endoscópicas serão capturadas. Dados demográficos de base relevantes, relatórios laboratoriais, relatórios de imagem, relatórios de endoscopia e resultados histopatológicos serão coletados para análise. A localização, tamanho e morfologia de cada lesão colônica serão registrados. O diagnóstico de todas as doenças ulcerativas colorretais foi avaliado de forma abrangente por patologistas e gastroenterologistas independentes. Em nosso estudo, focaremos nos seguintes subtipos de lesões ulcerativas colorretais:

1. câncer colorretal (CA);
2. doença de Crohn (DC);
3. Colite ulcerativa (UC);
4. tuberculose intestinal (BIT);
5. colite isquêmica (CI). Todos os dados serão anonimizados antes do processamento central para garantir a confidencialidade. Um número de série específico do projeto será usado para representar cada assunto individual. Todos os dados clínicos e imagens endoscópicas não identificadas serão mantidos confidenciais e não serão compartilhados com terceiros.

Uma coorte de treinamento será desenvolvida a partir da maioria dos casos incluídos, seguida de uma coorte de validação com os demais casos. As imagens e vídeos endoscópicos serão preparados para treinar a rede neural complicada e a rede neural recorrente, selecionando regiões de interesse (ROI) apropriadas. Múltiplos ROI dentro da mesma doença ulcerativa colorretal serão coletados para reduzir o viés de seleção. A anotação e validação das imagens endoscópicas serão realizadas pela equipe de pesquisa. As imagens serão segmentadas em blocos do mesmo tamanho para processamento posterior. Algoritmos de aprendizagem profunda serão aplicados para aprender e extrair recursos dos dados de imagem e vídeo. Desenvolveremos a rede convolucional recorrente para aproveitar as informações complementares de características visuais e temporais extraídas do vídeo. Os dados de validação também são criados sob o mesmo princípio, o que permite a validação cruzada para precisão do modelo.