Ранняя дискриминация перипротезных инфекций тазобедренного сустава с использованием нейронных сетей (SEPTIC-ANNR) (SEPTIC-ANNR)

Перипротезные инфекции тазобедренного сустава являются горячей темой в ортопедической хирургии, частота которых составляет около 1%. Заболеваемость, смертность и дополнительные расходы, связанные с длительной госпитализацией и дальнейшим лечением, являются основными проблемами. Перипротезные инфекции обычно диагностируются с использованием критериев CDC (Центра по контролю и профилактике заболеваний) (2014 г.). Диагноз основывается на больших и малых критериях, включая предоперационные и интраоперационные параметры. Для достоверной диагностики инфекции при отсутствии свищей требуется аспирация синовиальной жидкости или образцы тканей. Однако эти методы являются дорогостоящими и инвазивными. Более того, чувствительность не всегда так точна, о чем свидетельствуют некоторые серии ревизионных операций, выполненных по поводу предполагаемого асептического расшатывания, которое после посева оказывалось септическим. Поэтому диагностика инфекции часто происходит поздно и после длительной, сложной, дорогостоящей и не всегда решающей диагностической работы, что сказывается на сроках и успехе лечения.

Желательна практичная, быстрая, надежная и неинвазивная (возможно, амбулаторная) процедура диагностики перипротезных инфекций. Он может опираться на диагностическую визуализацию, ограничивая сбор жидкости или тканей сомнительными случаями. В настоящее время методы визуализации КТ и ядерной медицины обычно не используются для диагностики инфекции из-за скромной надежности, стоимости и воздействия радиационных агентов.

Недавно были введены нейронные сети: они состоят из множества простых параллельных процессоров, глубоко связанных между собой, реализующих вычислительную модель. Нейронные сети имитируют мозг и его способность к обучению. Вычислительные модели распознают визуальные сигналы, управляют сложными ситуациями в реальном времени, классифицируют и управляют шумом, используют ассоциативную память с доступом в реальном времени к большим объемам данных и восстанавливают частичную или поврежденную информацию. Нейронные сети уже использовались для прогнозирования начала инфекций, метастазов и неудач лечения, объединяя клинические и диагностические данные визуализации. На сегодняшний день исследований нейронных сетей при перипротезной инфекции не проводилось. Цель этого исследования — оценить, являются ли нейронные сети (клеточные нейронные сети — генетический алгоритм), применяемые к обычным рентгенограммам, точными, чувствительными и специфичными для ранней диагностики перипротезной инфекции тазобедренного сустава, уже диагностированной с помощью общепризнанных методов. CDC 2014).

В частности, выбирается популяция пациентов с полным рентгенологическим анамнезом (предоперационные рентгенограммы и ряд других послеоперационных рентгенограмм), леченных по поводу септического или асептического расшатывания.

Оба случая необходимы для «проинструктирования» нейронной сети. Первый шаг состоит в выявлении последовательной серии пациентов с септическим или асептическим расшатыванием диагноза, обращаясь к базе данных больницы. Таким образом, больных категорически делят на септическое, или асептическое, расшатывание. Используются критерии CDC 2014 года (как обычно выполняются в клинических условиях), добавляя еще один важный и необходимый критерий: не менее 3 положительных интраоперационных образцов ткани (один и тот же микроорганизм). В случае асептического расшатывания случай не должен соответствовать критериям CDC 2014. Таким образом, собираются изображения и клинические данные пациентов. После установления диагноза проводится обработка рентгенологического материала (клеточные нейронные сети-генетический алгоритм). Предлагаемая процедура обрабатывает рентгенографические изображения с использованием следующего конвейера и программного обеспечения MatLab (Mathworks, Natick, США):

• исходный уровень: первое изображение после имплантации сравнивается с рентгенографическим изображением до имплантации;
• прогресс фиксируют периодическими рентгенограммами в стандартной и повторяемой проекциях (рентгенография таза);
• функции извлекаются из каждого изображения в области, сегментированной вручную (область интереса - ROI). Происходит три шага: 1) предварительная обработка изображения для создания единых рамок входных данных (изображения в оттенках серого). Выравнивание цветовой гистограммы; 2) функции, извлеченные из нейронных сетей, применяются к ROI. Клонирование шаблонов с использованием генетических алгоритмов. Функции будут обрабатываться полносвязным слоем + SoftMax; 3) функции, извлеченные из AutoEconder с полносвязным слоем + SoftMax;
• анализ дифференциальных рентгенологических признаков (анализ клеточной и конволютивной сторон) и сравнение с фоном. Постобработка следующим образом: 1) полносвязный регрессионный слой и мультиклассовый классификатор: будет получен процент риска септического прогрессирования; 2) полносвязный регрессионный слой и бинарный классификатор: признаки в септических/асептических кластерах;
• окончательное дерево решений: объединение вышеупомянутых данных, обеспечивающее процент риска септического прогрессирования при индексированном изображении. Цель состоит в том, чтобы проверить, могут ли нейронные сети, применяемые для рентгенографической визуализации, точно, чувствительно и специфически распознавать позднюю хроническую перипротезную инфекцию тазобедренного сустава, диагностированную в соответствии с утвержденными и определенными критериями.