Модель IA для острого аппендицита при КТ

Разработка информации модели приложения

- В этом исследовании использовалась предварительно обученная информация модели аппендикса (IA), основанная на полностью автоматизированной диагностической системе, для прогнозирования трех классов с вероятностным и картографированием признаков: неаппендицит, простой аппендицит и осложненный аппендицит.

Конвейер параметров внедрения модели IA, извлеченный из 3D-КТ-изображений 7147 пациентов, состоял из двухэтапного бинарного алгоритма, связанного с трансферным обучением с тремя 3D-моделями CNN: DenseNet, EfficientNet и ResNet.

- Двухэтапный бинарный алгоритм трансферного обучения был применен для изучения внутренних закономерностей на основе трехмерных изображений трех истинных классов, как это делает врач при принятии решения о лечении аппендицита. На первом этапе проекта была разработана классификационная модель этапа 1 для идентификации неаппендицита и аппендицита. На втором этапе конвейера модель классификации этапа 2 идентифицировала простой и осложненный аппендицит на основе данных, переданных с обучаемыми параметрами, изученными на этапе 1.

В настоящее время окончательная модель IA прошла внешнюю валидацию с использованием ранее не встречавшегося набора данных из стороннего учреждения с широкими критериями отбора для пациентов, которые обратились в отделение неотложной помощи с болями в животе и прошли КТ брюшной полости и таза из-за клинического подозрения на острый аппендицит.

Вмешательство Это сравнительное исследование между человеческими моделями и моделями IA для оценки частоты отрицательных аппендэктомий (NAR) при непростых и осложненных аппендицитах на основе проспективного рандомизированного набора данных, который был собран на основе компьютерной томографии пациентов, поступивших в отделение неотложной помощи с острым абдоминальным заболеванием. боль. Участниками контрольной группы были десять нерентгенологов.

Модель IA не может препятствовать предоперационному процессу принятия решений врачами в текущей клинической практике относительно правовых и этических аспектов исследования диагностических рамок модели IA по математическому обоснованию результата с точки зрения защиты людей.

Учитывая минимальный риск для людей, а также этические и юридические аспекты искусственного интеллекта, в дизайне исследования КТ-изображения строго распределяются между нерентгенологами и моделями IA после завершения лечения аппендицита с патологоанатомическим подтверждением или без него.

Распределение данных и оценка производительности

- Чтобы в равной степени сравнивать модель IA с людьми и нерентгенологами, условия интерпретации для нерадиолога должны соответствовать всем следующим критериям: случайным образом следует назначать только КТ-изображения без таких переменных, как возраст, пол и лабораторные значения; принадлежность как нерентгенолога, так и пациента КТ-изображения не должна совпадать; соотношение распределения неаппендицита, простого и осложненного аппендицита, назначенного нерентгенологу, должно быть слепым; а диапазон КТ-изображения для интерпретации должен быть идентичен диапазону рентабельности инвестиций в приложение, который создается путем автоматической локализации модели IA. Чтобы оценить эффективность диагностики у людей, нерадиолог установил четыре тестовых задания: (1) визуализация аппендикса; (2) исключение аппендицита; (3) осложнения; и (4) диагностика КТ-изображений.

Первичные и вторичные результаты оценивались с использованием результатов ответов на четыре вопроса для участников и диагностических характеристик модели IA в том же наборе данных.

Этическое заявление В соответствии с «Руководством по использованию медицинских данных» и «Руководством по работе с псевдонимами» Комиссии по защите личной информации Министерства здравоохранения и социального обеспечения, эксфильтрация данных с обеспечением безопасности архива данных проводилась с одобрения Совет по обзору данных в участвующих учреждениях. Центральный институциональный наблюдательный совет (IRB) и IRB всех участвующих учреждений одобрили это исследование.

Размер выборки и статистические методы. Предыдущее исследование исследователей, в ходе которого была завершена внешняя проверка модели IA путем эксфильтрации данных внешних учреждений, показало NAR 12,4% во внешнем наборе данных. Стандартное референтное значение НАР для нерентгенологов составляет 10,5% ± 5%. Следовательно, допустимая разница в NAR между моделью IA и нерадиологами для клинического применения должна составлять менее 10,0% от границы не меньшей эффективности.

Размер выборки для рандомизированного контролируемого набора данных для одного учреждения составил 263 при условии 95% доверительного интервала, статистической мощности 90%, двустороннего α = 0,05, уровня значимости = 0,05 и размера эффекта = 0,2 по Z-критерию. . В этом исследовании приняли участие два внешних учреждения. Из-за неоднородности данных, нормализации и различий в распространенности между регионами между двумя внешними учреждениями размер выборки рассчитывался для каждого учреждения. Таким образом, если предположить, что в каждом учреждении имеется 263 пациента с потерей наблюдения 10%, общий размер выборки составит 568 человек.