Investigação sobre Diagnóstico e Tratamento Inteligente Baseado em Aprendizagem Profunda

Este estudo é um estudo de inteligência artificial clínica baseado em imagem que visa desenvolver, treinar e validar modelos de aprendizagem profunda para análise de imagem multimodal craniomaxilofacial e suporte à decisão clínica inteligente.
Aproximadamente 2.000 participantes estão previstos para serem inscritos.
Todos os participantes terão dados de imagem craniomaxilofacial e informações clínicas relacionadas obtidas durante cuidados clínicos de rotina dentários, ortodônticos, orais e maxilofaciais ou afins.

Os dados de imagem utilizados neste estudo podem incluir fotografias faciais bidimensionais, imagens de tomografia computadorizada de feixe cónico e digitalizações tridimensionais da superfície facial.
Os dados clínicos relacionados podem incluir informações demográficas, diagnóstico clínico, classificação esquelética ou dentária, medições cefalométricas, registos relacionados com o tratamento e avaliações de especialistas disponíveis.
Este estudo focar-se-á no desenvolvimento de modelos de inteligência artificial para classificação de imagem craniomaxilofacial, deteção de pontos de referência anatómicos, segmentação regional, reconhecimento de anomalias e suporte à decisão relacionada com o tratamento.

Antes do desenvolvimento do modelo, todos os dados de imagem serão submetidos a um pré-processamento padronizado.
Os procedimentos de pré-processamento podem incluir desidentificação de imagem, avaliação de qualidade, conversão de formato, correção de orientação da imagem, recorte, padronização de resolução, normalização de escala de cinzentos ou intensidade, registo espacial e extração de região de interesse.
Para imagens bidimensionais, serão definidas regiões faciais ou radiográficas padronizadas de acordo com a tarefa de imagem específica.
Para dados de tomografia computadorizada de feixe cónico e superfície facial tridimensional, o pré-processamento pode incluir reconstrução volumétrica, reconstrução de superfície, processamento de malha, processamento de nuvem de pontos ou extração de estruturas anatómicas.

As etiquetas de referência serão derivadas de registos médicos clínicos, diagnóstico clínico e anotação manual de especialistas.
Para tarefas de segmentação, regiões ou estruturas anatómicas serão anotadas manualmente por clínicos treinados ou investigadores calibrados.
Para tarefas de deteção de pontos de referência, pontos de referência anatómicos predefinidos serão anotados de acordo com protocolos de medição craniomaxilofacial padronizados.
Para tarefas de classificação, o padrão esquelético, a relação dentária, a categoria morfológica craniomaxilofacial ou outras etiquetas de classificação clinicamente significativas serão determinadas com base na avaliação de especialistas.
A consistência inter-observador e intra-observador também será avaliada para garantir a fiabilidade das anotações manuais e das etiquetas clínicas.

O conjunto de dados de aproximadamente 2.000 participantes será dividido em conjuntos de treino, validação e teste.
Setenta por cento dos dados serão utilizados para treino do modelo, 15% para validação do modelo e 15% para teste independente.

Os modelos de aprendizagem profunda incluirão redes neurais convolucionais, modelos baseados em atenção e modelos de aprendizagem multitarefa.
O desenvolvimento do modelo incluirá otimização de hiperparâmetros, regularização, aumento de dados e monitorização de desempenho com base no conjunto de dados de validação.

Para tarefas de segmentação de imagem, o desempenho do modelo será avaliado usando métricas de precisão de segmentação, incluindo o coeficiente de similaridade de Dice, Interseção sobre União, precisão por pixel, sensibilidade, especificidade e, quando aplicável, métricas de distância de fronteira, como a distância de Hausdorff ou distância média de superfície.
Para tarefas de classificação de imagem e reconhecimento diagnóstico, o desempenho do modelo será avaliado usando exatidão, precisão, recall, pontuação F1, sensibilidade, especificidade, valor preditivo positivo, valor preditivo negativo, análise da curva característica de operação do recetor e área sob a curva característica de operação do recetor.
As matrizes de confusão serão usadas para descrever a distribuição de classificações corretas e incorretas nas categorias de diagnóstico.
Para tarefas de classificação multiclasse, podem ser relatadas métricas de desempenho macro-médias e ponderadas-médias.
Para tarefas de deteção de pontos de referência anatómicos, o desempenho do modelo será avaliado usando erro radial médio, erro absoluto médio, taxa de deteção bem-sucedida dentro de limites de distância clinicamente significativos e concordância com anotações de especialistas.

Para tarefas de suporte à decisão relacionada com o tratamento, as saídas do modelo serão comparadas com o julgamento clínico de especialistas.
As métricas de avaliação incluirão exatidão, precisão, recall, pontuação F1, AUC e análise de curva de decisão.

O pessoal envolvido na anotação de imagem e processamento de dados receberá formação relevante antes do início do estudo.
O acesso a informações pessoais identificáveis será restrito ao pessoal de pesquisa autorizado.
Os conjuntos de dados de análise usados para o desenvolvimento do modelo serão desidentificados ou pseudonimizados sempre que possível.

A inscrição planeada de aproximadamente 2.000 participantes deverá apoiar análises de subgrupos e testes de robustez quando a distribuição de modalidades de imagem e categorias clínicas for adequada.
Os dados perdidos, indisponíveis, não interpretáveis ou inconsistentes serão registados.

Os modelos de inteligência artificial desenvolvidos neste estudo destinam-se a auxiliar os profissionais de saúde na análise de imagem craniomaxilofacial e suporte à decisão clínica.
Os modelos não substituirão o diagnóstico clínico profissional ou o planeamento de tratamento individualizado por médicos qualificados.
Qualquer futura aplicação clínica destes modelos exigirá validação adicional, revisão clínica e aprovação institucional ou regulamentar adequada.