Aprendizado de máquina baseado em inteligência artificial para diagnosticar e classificar adenomiose a partir de exames de ultrassom: um estudo multicêntrico de desenvolvimento de modelo

Fundo: A adenomiose é uma condição ginecológica benigna caracterizada pela presença de células endometriais ectópicas (células do revestimento do útero) no miométrio (camada muscular do útero). Globalmente, embora a adenomiose seja prevalente em mulheres e raparigas em todas as fases da vida, desde a adolescência até à perimenopausa, continua subdiagnosticada. Mulheres com adenomiose apresentam sintomas debilitantes de sangramento menstrual intenso, ciclos menstruais dolorosos, dor pélvica crônica e resultados de gravidez adversos, levando a um impacto de longo prazo em sua qualidade de vida.

O diagnóstico e a classificação da adenomiose não são apenas essenciais para correlacionar com a gravidade dos sintomas, mas também para aconselhar as mulheres sobre o prognóstico da doença, o tipo de tratamento e o impacto a longo prazo dos resultados da adenomiose. Contudo, classificar a gravidade não é apenas um processo demorado e complexo, mas também depende da experiência do operador e é subjetivo. Alcançar os mesmos resultados em uma fração de tempo com redução do viés do operador, independente da experiência do operador, seria provavelmente benéfico.

Ao lidar com tarefas de classificação de imagens, o aprendizado de máquina (ML) tem um enorme potencial para auxiliar os profissionais de saúde na classificação objetiva da gravidade da adenomiose em segundos. A estrutura de aprendizado profundo e a ferramenta automatizada de aprendizado de máquina são ferramentas de última geração para análise automatizada de imagens de ultrassom transvaginal (TVUS). Ele pode processar diretamente e aprender automaticamente recursos abstratos de médio a alto nível adquiridos a partir de imagens de ultrassom usando um modelo de arquitetura profunda, sem exigir a definição manual de recursos antecipadamente. Isso permite treinar, testar e validar o modelo de aprendizado de máquina com exemplos de imagens rotuladas para classificação

O objetivo do estudo é usar imagens anotadas de ultrassom de útero normal e de adenomiose de gravidade variável para treinar uma rede neural usando aprendizado profundo supervisionado que prevê se uma imagem de entrada pertence a uma das seguintes classes: nenhuma, leve, moderada ou adenomiose grave. Este será um projeto novo e poderá apoiar os médicos e ultrassonografistas na classificação da gravidade da adenomiose em uma fração de tempo no futuro.

Objetivo: Investigar o uso de modelo de reconhecimento de imagem utilizando aprendizado profundo supervisionado via ferramenta automatizada de aprendizado de máquina (Vertex AI) e framework de aprendizado profundo (Pytorch) para a criação de um algoritmo para classificação ultrassonográfica da gravidade da adenomiose.

Desenho e configurações do estudo:

Tipo de estudo: Este será um estudo de coorte observacional multicêntrico. APPRAISE-AI e modelo de previsão Ferramenta de avaliação de risco de preconceito - Ferramentas de inteligência artificial (PROBAST-AI) foram referidas para o desenvolvimento de protocolo.

Configurações: As imagens de ultrassom de pacientes com útero normal e adenomiose serão recuperadas de dez centros de fertilidade CARE no Reino Unido. Isto incluiria locais de fertilidade da CARE em Birmingham, Tamworth, Nottingham, Northampton, Sheffield, Leeds, Manchester, Bolton, Cheshire e Liverpool.

População: A coorte do estudo será composta por imagens de ultrassom de pacientes que compareceram aos centros de fertilidade CARE para ultrassom entre fevereiro de 2022 a fevereiro de 2024 e foram diagnosticados com útero normal e adenomiose usando critérios de avaliação ultrassonográfica morfológica do útero (MUSA) na triagem de imagens. Os critérios MUSA descrevem as características ultrassonográficas do miométrio e das lesões miometriais usando termos, definições e medidas padronizadas.

O sistema de mapeamento esquemático da gravidade da adenomiose publicado anteriormente será usado para determinar a gravidade da adenomiose uterina na revisão das imagens. Isto foi escolhido devido à reprodutibilidade, taxa de concordância interobservador substancial a quase perfeita e correlação clínica com a gravidade dos sintomas. Para cada grau é atribuída uma pontuação que varia de 1 a 4 e a soma dos números da pontuação é utilizada para calcular a extensão da doença: leve (1-3), moderada (4-6) e grave (>7) . Duração: Ultrassom realizado entre fevereiro de 2022 e fevereiro de 2024 Tamanho da amostra: O número mínimo de imagens exigidas pelo Vertex AI Vision para treinamento é 100 por categoria. A probabilidade de reconhecer uma categoria com sucesso aumenta com o número de exemplos de alta qualidade para cada uma. O tamanho da amostra alvo para testar o algoritmo para classificar a adenomiose será entre 1.000-10.000 imagens cada para nenhuma adenomiose, leve, moderada e grave. O conjunto completo de imagens será distribuído igualmente pelas categorias de classificação; no entanto, pode não ser possível obter um número aproximadamente igual de imagens para cada categoria. O conjunto de dados completo será dividido manualmente em dois conjuntos de dados diferentes na proporção de 9:1; 90% das imagens selecionadas serão utilizadas como conjunto de dados de treinamento (treinamento + validação) e 10% como conjunto de dados de teste. Isto garantirá a inclusão adequada de imagens diversas e representativas para cada categoria. O conjunto de dados de teste será um conjunto de dados independente que não será usado na fase de treinamento, mas será obtido nas mesmas instalações que os dados usados ​​na fase de treinamento.

Minimização do impacto potencial de vieses: Todas as imagens de ultrassom armazenadas de útero normal e adenomiótico serão examinadas por um revisor com experiência em exames ginecológicos e de fertilidade, que não terá conhecimento das características basais das mulheres para evitar viés de identificação e recrutamento. Dois revisores classificarão independentemente a gravidade da adenomiose em leve, moderada e grave para 1.000 conjuntos de imagens para estabelecer concordância.

Detalhes do software de IA:

Tipo de aprendizado de máquina Aprendizado profundo supervisionado: No aprendizado supervisionado, a máquina precisa de exemplos rotulados para aprender. O objetivo do estudo é ensinar uma máquina a reconhecer a gravidade variável da adenomiose diagnosticada por ultrassom. Imagens de ultrassom rotuladas como "Nenhum", "Leve", "Moderado" e "Grave" serão carregadas como entrada. Estudando os exemplos, o algoritmo aprenderá a reconhecer o que distingue um útero normal de uma adenomiose leve e um grau leve de um grau grave de adenomiose e a atribuir a classificação correta a cada nova imagem que for solicitada a analisar.

Tipo de estrutura e versão: Google Cloud Vertex AI Vision API V1 como ferramenta automatizada de aprendizado de máquina e a versão mais atualizada do Pytorch como estrutura de aprendizado de máquina profundo.

Aquisição de dados de entrada e seleção: Os dados de entrada para o modelo serão recuperados de imagens de ultrassom de pacientes que compareceram aos centros de fertilidade acima mencionados para ultrassom entre fevereiro de 2022 a fevereiro de 2024 e foram diagnosticados com útero normal e adenomiose na triagem das imagens. Imagens de ultrassom elegíveis de participantes do útero adenomiótico serão extraídas como imagens bidimensionais (2D) e/ou tridimensionais (3D) após a remoção dos identificadores do paciente. Se uma paciente tiver mais de uma imagem de útero adenomiótico ou normal, todas essas imagens serão incluídas. Essas imagens serão revisadas por um revisor para reduzir o risco de viés e formatadas para garantir que contenham a característica ultrassonográfica da adenomiose de interesse na imagem. Essas imagens revisadas e formatadas serão rotuladas como nenhuma, leve, moderada e grave por dois revisores com experiência em diagnóstico ultrassonográfico e classificação de adenomiose. Três conjuntos de imagens de entrada serão carregados na estrutura de aprendizado de máquina:

1. Conjunto de treinamento: 80% dos dados da imagem estarão no conjunto de treinamento. O modelo “vê” e inicialmente aprende com esses dados.
2. Conjunto de validação: O conjunto de validação também faz parte do processo de treinamento, mas é mantido separado para ajustar os hiperparâmetros do modelo. 10% do total de imagens diferentes do conjunto de dados de treinamento serão usados ​​para ajustar a estrutura do modelo para que ele pode generalizar melhor.
3. Conjunto de teste: O conjunto de teste entra no estágio somente após o processo de treinamento. Ele será usado para testar o desempenho do modelo nos dados que ele ainda não viu. 10% do total de imagens serão usadas como conjunto de teste. Imagens de teste não rotuladas serão carregadas no sistema e o desempenho do modelo de inteligência artificial (IA) será comparado com o padrão, ou seja, a classificação original pelos investigadores. A divisão dos dados totais da imagem em conjunto de treinamento, conjunto de validação e conjunto de teste será feita manualmente. Tratamento de dados de entrada de baixa qualidade ou indisponíveis: essas imagens serão excluídas.

Critérios de elegibilidade:

Inclusão:

A. Participantes: Mulheres que frequentam o centro de fertilidade acima mencionado para ultrassonografia entre fevereiro de 2022 a fevereiro de 2024 para qualquer indicação e são diagnosticadas com útero normal e adenomiose na ultrassonografia na triagem de imagens.

B. Dados de entrada: Imagens 2D e/ou 3D conclusivas e de boa qualidade do útero normal e do útero adenomiótico, onde as características ultrassonográficas da adenomiose são claramente visíveis.

Exclusão:

A. Participantes: Mulheres com miomas intramurais únicos ou múltiplos coexistentes e anormalidades da cavidade endometrial.

B. Dados de entrada: Ultrassonografia inconclusiva na avaliação do revisor, imagens de baixa qualidade onde as características ultrassonográficas da adenomiose não são claras e imagens que não podem ser classificadas em uma das quatro categorias serão excluídas.

Consentimento:

O estudo é puramente observacional, sem nenhuma intervenção ou etapa adicional sendo conduzida como parte do estudo. Imagens ultrassonográficas de útero normal e adenomiótico teriam sido adquiridas no momento de uma mulher submetida a USTV, o que faz parte da prática clínica de rotina. Como a máquina de ultrassom permite a exportação de imagens sem informações de identificação do paciente, os dados (que incluem apenas imagens de ultrassom) terão as informações de identificação do paciente (nome e data de nascimento) removidas antes de os dados serem extraídos. A lista de verificação de pré-inscrição do Grupo Consultivo de Confidencialidade (CAG) da Autoridade de Pesquisa em Saúde do NHS foi consultada para determinar a elegibilidade deste projeto para processar informações do paciente sem consentimento. Portanto, nenhum consentimento informado será solicitado aos participantes do estudo, pois apenas serão utilizados dados anonimizados que já estão disponíveis.

Resultado e análise estatística

Resultados primários: precisão média (valor preditivo positivo), precisão, recall, área sob a curva característica operacional do receptor (AUC), sensibilidade, especificidade e precisão do modelo serão os principais resultados de interesse para o modelo de aprendizado de máquina automatizado e profundo. Todas as análises serão feitas usando Stata Statistical Software (Release 18, TX, EUA) para modelo de estrutura de aprendizado de máquina profundo (ML) e usando o software de aprendizado de máquina automatizado para modelo de ML automatizado. Após o treinamento do modelo automatizado, será realizada uma análise detalhada consistindo em um resumo do desempenho do modelo que será reportado (saída do modelo). Incluirá o seguinte:

• Limite de pontuação: O limite de pontuação refere-se ao nível de confiança que o modelo deve ter para atribuir uma categoria a um item de teste. O controle deslizante de limite de pontuação no console do Google Cloud é uma ferramenta visual para testar o efeito de diferentes limites para todas as categorias e categorias individuais no conjunto de dados. Um limite de pontuação que forneça um bom equilíbrio entre falsos positivos e falsos negativos será adotado durante a avaliação.
• Verdadeiros positivos, verdadeiros negativos, falsos positivos e falsos negativos
• Precisão e recall: De todo o conjunto de teste de imagens às quais foi atribuída uma categoria, a precisão indica quantas realmente deveriam ser categorizadas com esse rótulo e a recall indica quantas foram realmente atribuídas ao rótulo. O rótulo do padrão de referência refere-se à categorização pelos investigadores.
• Curvas de precisão/recuperação

Resultado secundário: avaliação da concordância entre avaliadores entre dois revisores na avaliação ultrassonográfica da adenomiose usando o kappa de Fleiss. Os coeficientes K usados ​​para interpretação da força de concordância serão: ≤0 = ruim, 0,01 a 0,20 = leve, 0,21 a 0,40 = regular, 0,41 a 0,60 = moderado, 0,61 a 0,80 = substancial e 0,81 a 1 = quase perfeito .

Tratamento de dados e manutenção de registros: os dados (imagens de ultrassom desidentificadas) serão armazenados no Google Cloud de acordo com a Lei de Proteção de Dados de 2018.

Imagens de ultrassom elegíveis de participantes de útero normal e adenomiótico serão extraídas como imagens 2D e/ou 3D após a remoção dos identificadores do paciente. Após a conclusão do estudo, as imagens armazenadas no Google Cloud serão excluídas.

Controle e garantia de qualidade: Os princípios de boas práticas clínicas serão seguidos durante toda a duração do estudo.

Notificação de eventos adversos: Considerando a natureza observacional do estudo e nenhuma etapa adicional envolvida no desenho do estudo além da USTV inicial, não há considerações de segurança envolvidas.

Considerações Éticas:

A aprovação ética foi obtida do Institutional Review Board (IRB) local e da equipe de pesquisa e desenvolvimento da CARE Fertility.

Confidencialidade e proteção de dados: Um número de identificação de imagem exclusivo será usado para identificação dos participantes do estudo. Todos os dados pessoais utilizados no estudo serão processados ​​de acordo com a Lei de Proteção de Dados de 2018 e serão considerados estritamente confidenciais.

Financiamento: Os fundos para este projeto foram provenientes do Centro Nacional de Pesquisa sobre Aborto Espontâneo de Tommy, Birmingham, Reino Unido.

Conflitos de interesse: Não há conflitos de interesse associados a este estudo.

Emendas: Quaisquer alterações no protocolo ou documentação do estudo serão iniciadas pelo Investigador Chefe. Todas as alterações substanciais serão submetidas ao IRB para aprovação seguida pela implementação das alterações em todos os locais envolvidos no estudo. As alterações serão documentadas na seção 'Alteração do Protocolo' do protocolo do estudo.

Fim da definição do projeto: A coleta e preparação dos dados, o treinamento e avaliação do modelo e a redação do manuscrito ocorrerão durante um período de 12 meses.

Aspectos de estudo futuro: O objetivo de longo prazo é analisar este modelo de IA validado internamente para validação externa em centros externos do Serviço Nacional de Saúde (NHS) usando o sistema PACS de imagens arquivadas e correlacioná-lo com a histopatologia de espécimes de histerectomia. Isto também envolveria a análise da utilidade clínica, avaliando o impacto do modelo na tomada de decisões e nos resultados. Se o desempenho do modelo for apropriado em termos de valor preditivo positivo, precisão e utilidade clínica, ele será implementado para uso em tempo real usando previsão online. O modelo pode ser implantado para solicitações de classificação na forma de inscrição on-line ou como aplicação integrada em máquinas de ultrassom.

Política de publicação: Os resultados do estudo serão compartilhados por meio de mídias científicas e sociais. Os resultados do estudo serão submetidos a uma revista revisada por pares na área de ultrassom ginecológico (Ultrassom em Obstetrícia e Ginecologia (UOG)) e saúde digital (The Lancet Saúde Digital). O manuscrito será elaborado pelo Dr. Ishita Mishra e a autoria será determinada de acordo com o grau de contribuição do indivíduo no estudo e redação do manuscrito.